多任务正则极限学习机的研究与应用

MT-ELM通过隐含层共享不同任务间的数据特性实现多任务学习，但MT-ELM忽略任务间关联程度的差异以及存在的过拟合问题，为此提出基于MT-RELM软测量建模方法。首先，利用RELM解决过拟合问题；其次，考虑任务之间关联度的差异，基于相关性较强的任务其权值向量也较相似的假设，在每个任务输出权值的基础上加入约束条件，利用此约束条件表示任务间的相关程度；最后，利用ADMM算法迭代求解得到MT-RELM的模型参数。基于合成数据集与湿式球磨机数据集的结果表明，此算法可有效地提高模型的预测精度以及泛化能力。     

多传感器信息融合及其在工业中的应用综述

介绍了多传感器信息融合的基本理论、研究现状和多传感器信息融合在工业中的应用现状。重点分析了多传感器信息融合理论、实际应用所取得的成绩和存在的问题,提出了将来研究的方向。     

基于带惩罚因子椭球定界算法的软测量建模

软测量模型的预测精度和泛化性能是软测量建模的2个重要指标。基于最优定界椭球的极限学习机算法(OBE-ELM)虽然克服了传统极限学习机建模预测精度不高、预测结果不稳定等缺点,但是传统OBE算法仅考虑模型误差最小化,未考虑模型的复杂程度,导致模型易出现过拟合现象。基于上述问题,首先针对噪声未知但有界的非线性系统,提出了一种带惩罚项的椭球定界算法(POBE),在模型误差中加入惩罚项起到抑制参数增长太大和驱使不重要参数逐渐减小到零的作用,然后将POBE应用到ELM模型参数优化过程中。最后在信道参数估计实验和连续搅拌反应釜数据集上分别验证POBE及POBE-ELM有效性。     

一种结合云模型思想的粒编码遗传算法

以实现对解空间某一邻域进行一定密度的采样为目标,采用云模型的思想改进遗传算法,设计粒编码方式下个体的表现形式以及个体的评价方法,并针对数值优化问题形成遗传算子和基于粒编码方式的遗传算法GCGA(Granular coding genetic algorithm)。10个常见函数的数值优化实验表明,GCGA能够跳出局部最优点,搜索到全局最优点;与GA(Genetic Algorithm)和PSO的优化结果进行对比,表明GCGA是一种优秀的改进的进化算法。     

基于迁移变分自编码器-标签映射的湿式球磨机负荷参数软测量

在工况改变时,湿式球磨机的实时数据和建模数据分布不一致,不满足传统软测量建模方法要求的数据同分布假设,导致模型失准和性能恶化。为此,引入迁移学习思想,提出一种基于迁移变分自编码器-标签映射的软测量模型,实现多工况下湿式球磨机负荷参数的准确测量。首先,迁移目标域数据编码得到的隐变量分布参数,对源域数据对应隐变量进行拟合,再解码得到迁移数据;然后采用相似性度量选取相似样本构建标签映射模型,并得到映射标签;最后使用迁移数据和映射标签构建出最终的软测量模型。实验结果表明,该软测量方法显著优于现有方法,适用于多工况下的软测量建模。     

采用IMEA算法优化LFMCW雷达的调频特性

线性调频雷达物位计的调频特性直接影响着系统的距离分辨力和信噪比,通过提取零差拍信号的频谱特征,构造衡量调频线性度的评价函数,利用免疫思维进化算法对调频电压曲线分段端点进行寻优,获得非线性的调频电压曲线,来校正压控振荡器的非线性,优化系统的调频特性。实验结果表明,该方法具有良好的效果,在不增加任何硬件设备的基础上,可显著提高系统的调频线性度和信噪比。     

基于TOF深度图像修复的输送带煤流检测方法

传统的带式输送机煤流检测装置中,核子胶带秤存在一定安全和环保隐患,电子胶带秤检测精度易受输送带张力、刚度等因素的影响;而基于超声波、线激光条纹、双目视觉等技术的非接触式检测方法存在实时性差、测量误差较大等问题。提出了一种基于飞行时间(TOF)深度图像修复的输送带煤流检测方法。通过TOF相机获取输送带运煤图像;对TOF图像进行均衡化处理,采用帧差法和边界跟随算法去除背景噪声,获得感兴趣的煤料区域;针对TOF深度图像因边缘处存在飞行像素噪声与多径误差噪声而导致的边缘信息不准确问题,提出强度图像引导的深度图像修复算法,通过Canny边缘检测算法寻找深度图像和强度图像的相似边缘,基于强度图像的有效边缘信息对深度图像边缘处的不可靠数据进行校正,并进一步基于Navier-Stokes方程和中值滤波器得到高精度深度图像;对煤料区域进行像素级分割,并建立煤料体积计算模型,结合输送带速度得出输送带煤流。实验结果表明,该方法的检测误差不超过3.78%,标准差不超过0.491,平均处理时间为83 ms,满足实际生产要求。     

基于流形正则化域适应随机权神经网络的湿式球磨机负荷参数软测量

针对湿式球磨机多工况运行过程中标签样本难以获取和工况改变导致的原测量模型失准问题,本文引入域适应随机权神经网络（Domain adaptive random weight neural network,DARWNN）,实现待测工况中少量标签样本与原工况样本共同进行迁移学习.DARWNN网络解决了不同工况间难以共同进行机器学习的问题,但其只考虑经验风险,而未考虑结构风险,从而泛化性能较差,预测精度较低.在此基础上,本文引入流形正则化,并构建基于流形正则化的域适应随机权神经网络（Domain adaptive manifold regularization random weight neural network,DAMRRWNN）,以保持数据几何结构,提高相应模型性能.实验结果表明,所提方法可以有效提高DARWNN的学习精度,解决多工况情况下湿式球磨机负荷参数软测量问题.     

基于区分性联合概率分布的域适应故障诊断

针对多工况条件下的故障诊断方法因建模数据和待测数据不满足独立同分布假设,导致模型性能恶化这一问题,提出了一种基于区分性联合概率分布差异的域适应故障诊断建模方法。以一个结构风险最小化域不变分类器作为故障诊断框架。在框架上施加基于区分性联合概率分布差异的域适应项,将建模数据和待测数据投影到公共特征空间中,对齐跨域同类别样本分布的同时,最大化跨域不同类别样本间分布差异;并且利用流形正则化保持数据的局部几何结构。在多工况条件下的凯斯西储大学(CWRU)和帕德伯恩大学(PU)轴承故障诊断数据集上进行试验。试验结果表明,该方法能有效提高故障诊断模型预测精度和泛化性,在多工况故障诊断任务中的表现良好。