基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用

针对软测量建模过程中数据可能存在粗大误差以及粗差数据对模型的性能产生的影响,提出了一种基于粗差判别的自适应加权最小二乘支持向量机回归方法(WLS-SVM)。 该方法首先根据3δ法则检测出样本中的显著误差并加以剔除,然后根据样本误差的大小自适应地调整权值,使得非显著误差对模型性能的影响大大降低。另外,由于最小二乘支持向量机的正则化参数和核宽度参数对模型的拟合精度和泛化能力有较大的影响,一般依靠经验和试算的方法进行估计,耗时且不准确,本文将模型的参数作为进化算法的优化问题,应用自适应免疫算法(AIGA)对参数进行优化选择。仿真实验表明,该方法对非线性系统的建模具有很好的效果。同时,将该方法应用于工业PX氧化建模过程中动力学参数的估计中,结果表明,基于粗差判别的参数优化自适应最小二乘支持向量机预测精度高,取得了较好的效果。     

基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。     

基于人工蜂群算法优化LSSVM的蒸汽干度软测量

为了提高蒸汽干度测量的精确性,提出了基人工蜂群优化最小二乘支持向量机的干度软测量模型。首先利用人工蜂群算法对最小二乘支持向量机的核参数进行参数优化,然后利用优化后的最小二乘支持向量机干度测量模型对干度进行软测量,软测量结果表明基于人工蜂群优化的最小二乘支持向量机的测量效果满足了精度要求。最后运用最小二乘支持向量机和BP神经网络模型对干度进行了软测量,结果表明:基于人工蜂群优化的最小二乘支持向量机软测量模型具有测量精度高,测量稳定性好的优点。     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模

乙烯裂解深度的建模与控制对于裂解炉的实时优化具有重要意义。针对石脑油原料组分复杂、油品特性波动大等状况,采用模糊核聚类对石脑油数据库进行最优划分,建立最小二乘支持向量机的多模型,对于最小二乘支持向量机中模型的参数选取,利用差分进化算法进行参数寻优,提高了模型的精度和泛化能力。通过对现场数据的建模实验,结果表明：基于模糊核聚类的乙烯裂解深度最小二乘支持向量机多模型跟踪性能良好,预测精度较高。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

基于PSO-LS-SVM的主蒸汽流量测量

为提高火电机组主蒸汽流量的测量精度,提出了最小二乘支持向量机的建模方法,同时利用粒子群优化算法对最小二乘支持向量机的参数进行优化,按照机理分析选择相应的运行参数作为输入,利用该模型对主蒸汽流量进行预测计算。计算结果表明:利用粒子群优化最小二乘支持向量机的建模方法提高了主蒸汽流量的测量精度。     

水泥熟料质量指标的软测量建模研究

针对水泥熟料质量指标的测量,提出一种基于最小二乘支持向量机的软测量建模方法;对于建模数据,提出了基于模糊聚类的数据预处理方法.实验研究表明,该数据预处理方法明显优于传统的拉依达准则方法,能够有效地去除现场测量数据中存在的异常数据;最小二乘支持向量机建模相比于RBF神经网络也具有明显优势,建立的软测量模型对于整个窑系统优化控制具有重要意义.     

LSSVM过程建模中超参数选取的梯度优化算法

基于结构风险最小的最小二乘支持向量机（least squares support vector machine, LSSVM）为标准支持向量机（SVM）的约简;训练简易;性能良好。其模型精度受超参数影响;常规的网络搜索法很难搜得最佳超参数。在快速留一法的基础上;以全样本留一预测误差平方和最小化为目标;导出基于梯度的最优化算法;用以优选为LSSVM超参数;进而构建G-LSSVM模型。以柠檬酸发酵过程为算例对G-LSSVM进行检验;结果表明G-LSSVM的超参数选取耗时少;模型稳定性良好;且拟合和预报性能都优于标准SVM和神经网络。有望适用于机理不明、高度非线性、小样本的化工过程建模。     

Implementation of soft computing approaches for prediction of physicochemical properties of ionic liquid mixtures

The main objective of this study was to develop soft computing approaches for prediction of physicochemical properties of IL mixtures including: density, heat capacity, thermal conductivity, and surface tension. The proposed models in this study are based on support vector machine (SVM), least square support vector machines (LSSVM), and group method of data handling type polynomial neural network (GMDH-PNN) systems. To find the LSSVM and SVM adjustable parameters, genetic algorithm (GA) as a meta-heuristic algorithm was utilized. The results showed that LSSVM is more robust and reliable for prediction of physicochemical properties of IL mixtures. The proposed GA-LSSVM model provides average absolute relative deviations of 0.38%, 0.18%, 0.77% and 1.18% for density, heat capacity, thermal conductivity, and surface tension, respectively, which demonstrates high accuracy of the model for prediction of physicochemical properties of IL mixtures.     

基于GA-SVM的烟气含氧量软测量

针对电站锅炉烟气含氧量传统硬件测量方法成本昂贵、使用寿命短等缺陷,提出一种基于支持向量机的软测量方法。首先结合机理分析和数据相关性分析选取相关过程参数作为模型输入参数,使用遗传算法对支持向量机进行参数寻优,构建基于遗传算法参数优化的支持向量机(GA-SVM)软测量模型。实验结果表明:该模型能较好地反映烟气含氧量的变化趋势。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于向量投影的代谢支持向量机乙烯精馏产品质量软测量建模

针对支持向量机(SVM)增量学习过程中易出现计算速度慢、稳定性差的缺陷,提出了一种基于向量投影的代谢支持向量机建模方法.该方法首先运用向量投影算法对训练样本进行预选取来减少样本数量,提高SVM建模速度.然后将新增样本"代谢"原则引入SVM增量学习过程中,以解决因新增样本不断加入而导致训练样本数量"爆炸"的问题.最后将该方法用于乙烯精馏产品质量软测量建模,实验结果表明,与传统SVM和最小二乘支持向量机(LSSVM)相比,向量投影的代谢SVM具有更好的预测结果.     

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。     

The Development of Intelligent Models for Liquid–Liquid Equilibria (LLE) Phase Behavior of Thiophene/Alkane/Ionic Liquid Ternary System

ABSTRACT

This paper develops three models based on artificial neural network (ANN), support vector machine (SVM) and least square support vector machine (LSSVM) algorithm for phase behavior of thiophene/alkane/ionic liquid ternary system. The shuffled complex evolution (SCE) was employed to acquire the optimal magnitudes of hyper parameters (σ² and γ) which are embedded parts of SVM and LSSVM models, and the trial and error was employed to obtain the optimal numbers of neuron and layers for ANN intelligent model. Gathering and using 618 LLE data, the comparison between the optimized version of applied intelligent models in giving the LLE was also made. The findings are indicative of a prefect agreement between the estimation from intelligent models and the experimental data. The finding also reveals that the performance of SVM in prediction of solubility is somewhat better than other intelligent models (i.e., ANN and SVM) as coefficient determination (R2) and root mean squared error (RMSE) are respectively 0.9961 and 0.0447 for test sets of data. This is likely due to the existence of structural risk minimization principle of SVM which is embodied in SVM algorithm and effectively minimizes upper bound of the generalization error, rather than minimizing the training error.