支持向量机预测蜡沉积速率的模型研究

基于支持向量机的原理,考虑了7个影响蜡沉积速率的因素,在优化支持向量机参数的基础上,预测了蜡沉积速率。结果表明,对于训练样本和测试样本,该方法所得的相关系数分别为0. 990 7和0.982 3。说明该方法的预测精度高,可用于蜡沉积速率的预测;支持向量机与神经网络法相比,可得到模型的显示表达式;支持向量机中参数c、g的取值决定了预测效果的好坏,网格参数寻优法、粒子群参数寻优法、遗传算法寻优法三种方法都可用于寻找最优的c、g组合。三种方法寻优后所得的预测结果差值较小,均能满足其预测精度。     

基于PSO优化LS-SVM的气液两相流干度软测量

对标准孔板进行改进,设计了一种流出特性较好的锥形孔板。将锥形孔板压差脉动特性的经验公式与经过粒子群算法优化的混核最小二乘向量机模型结合,建立了气液两相流干度的软测量模型。该模型的优点是采取径向基核函数和多项式核函数的混合核函数兼顾了局部和全局的拟合能力,且通过对传统最小二乘向量机模型的参数优化,可减少对初始点和样本数量的依赖。实验结果表明,该预测方法可行,且比未经过优化的最小二乘支持向量机模型和经过优化的单核最小二乘向量机模型的泛化能力强,具有实际工程意义。     

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。     

用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。     

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LSSVM的溶剂油分离建模方法研究

针对传统支持向量机和单一模型建模的缺点,利用某炼油厂溶剂油分离过程中二侧线流量作为建模对象,对最小二乘支持向量机集成学习方法进行了研究。首先利用自适应系数加权模糊(AWFCM)聚类算法对训练样本进行聚类;然后对每一类数据使用最小二乘支持向量机建立子模型,并使用PLS合成函数得到最小二乘支持向量机集成模型;最后通过仿真实验来验证最小二乘支持向量机集成模型预测的精确性。结果表明,该算法在预测精度上有了较大的提高,对过程控制系统中分离效果的预测具有重要指导意义。     

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。     

基于稀疏最小二乘支持向量机的软测量建模

针对传统最小二乘支持向量机非稀疏化解问题,提出了基于遗传算法的最小二乘支持向量机稀疏化及参数优化方法,稀疏化的基本思想是给训练样本赋予一个概率值,将概率值小于0.5的样本作为测试样本,从而将总的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。种群个体的前N维表示每个样本对应的概率,后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数进行整体优化,取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方法用于PX氧化过程4-CBA含量的软测量中,工业数据仿真结果表明,用本文提出的方法稀疏化率达到87%,核参数选取自动完成,与稀疏前建立的模型相比推广能力更高。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

使用博弈差分算法的电站锅炉高效低污染燃烧均衡优化

提高电站锅炉热效率,降低NO_x等污染物的排放量是电站节能减排必须解决的问题。经过采用经量子遗传算法）QGA）优化参数后的最小二乘支持向量机（LSSVM-QGA）建立燃烧优化模型,预测的锅炉热效率和NO_x排放量的平均相对误差分别达到了0.054%和1.229%,其预测精度及泛化能力均较优,有更强的适用性能。在此模型基础上,提出一种采用自适应缩放因子与交叉因子和共享函数机制的差分进化算法（DE）,通过其演化博弈论中的NASH均衡,实现锅炉燃烧的多目标优化,结果表明,基于NASH均衡的优化方法可以得到操作变量的最优解集,能够更好地改善运行工况,最终可以实现削峰填谷,使电站锅炉保持一个稳定均衡的燃烧状态。     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

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。     

基于小波去噪和改进型PSO-SVM的微波加热温度预测模型研究

针对微波加热过程的非线性相关性和时滞性,提出基于相关原则优化阈值的小波去噪和改进型粒子群算法优化支持向量机相结合的微波加热褐煤温度预测方法。采用相关原则优化阈值的小波对微波加热褐煤温度进行提取,通过引入相似度函数和控制参数α改进粒子群算法,用于优化微波加热褐煤温度支持向量机预测模型的惩罚系数C、不敏感损失函数参数ε、核函数参数g等3个直接影响温度预测精度的参数。相似度函数增大,粒子随机变异率增大;迭代次数增加,控制参数α减小。仿真实验结果表明,优化后的支持向量机回归预测模型提高了微波加热褐煤温度预测的准确率,为微波干燥褐煤控制方法的研究提供一种可供参考的数学模型。     

基于AKPLS方法的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

基于KTA-LSSVM的青霉素发酵过程预测建模

为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量（kernel target alignment,KTA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。