基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于蚁群算法的TSP的改进求解算法

基于一种已有的用于连续空间问题的蚁群算法，将其修改为可以应用于TSP问题的算法，并付诸于试验当中。     

优选优生进化算法及4-CBA软测量模型参数估计

提出一种优选优生进化算法(select-best and prepotency evolution algorithm,SPEA),该算法中优选优生操作首先使群体中的所有个体都以相同的概率在自身所处环境的某个领域内选择最优个体进行交叉操作,不但保持后代个体的多样性,避免早熟,而且使群体中较优个体多次参加交叉操作,保留优良信息,同时也避免了遗传算法(genetic algorithm,GA)中占用大量计算时间的种群挑选操作：然后挑选交叉操作产生的较优个体参与变异形成下一代个体,从而增强算法的局部搜索能力,使求得的全局最优解有较高的精度。与GA相比较,SPEA计算复杂性低,离线性能和在线性能都有较大的改进,局部搜索能力和全局寻优能力都有较大的提高。举例将SPEA应用于对苯二甲酸(terephthalic acid,TA)中对羧基苯甲醛(4-carboxybenzaldehyde,4-CBA)含量软测量模型的参数估计,获得了满意的结果。     

基于SOM-PCA-RVM 的过程建模及其应用

针对呈现高度非线性,自变量之间存在交互作用,且采集的过程数据具有一定类别特征的复杂系统,提出基于自组织映射神经网络-主元分析-关联向量机相结合的建模方法。首先,通过SOM,将样本分割成模式特性相近的若干子类,实现样本模式空间的分割。然后,基于每一子空间的建模样本,提取主元,并以预测性能为指标确定最佳主元个数,消除冗余信息干扰。最后,将各子空间的主元分别作为RVM模型的输入,建立各自的模型,实现基于样本模式空间分割的分类建模。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量中的实际应用表明,SOM-PCA-RVM模型的拟合精度和预测精度不仅优于RVM模型,也优于PCA-RVM模型。      

Statistical Monitoring of Chemical Processes Based on Sensitive Kernel Principal Components

The kernel principal component analysis (KPCA) method employs the first several kernel principal components (KPCs), which indicate the most variance information of normal observations for process monitoring, but may not reflect the fault information. In this study, sensitive kernel principal component analysis (SKPCA) is proposed to improve process monitoring performance, i.e., to deal with the discordance of T² statistic and squared prediction error δ_SPE statistic and reduce missed detection rates. T² statistic can be used to measure the variation directly along each KPC and analyze the detection performance as well as capture the most useful information in a process. With the calculation of the change rate of T² statistic along each KPC, SKPCA selects the sensitive kernel principal components for process monitoring. A simulated simple system and Tennessee Eastman process are employed to demonstrate the efficiency of SKPCA on online monitoring. The results indicate that the monitoring performance is improved significantly.     

控制参数协进化的差分进化算法及其应用

提出一种控制参数协进化的差分进化算法(DE-CPCE),实现算法控制参数随种群搜优进展,自适应动态调整。D E-CPCE算法将控制参数作为原始个体的共生个体,且每一个原始个体都有各自的共生个体;算法在对原优化问题进行差分进化搜优的同时,以原始个体进化效率作为共生个体(即控制参数)的评价,并通过共生个体的差分进化操作实现其协进化。D E-CPCE算法能随优化问题搜优进展,自适应动态调整算法控制参数,实时为算法搜优提供最优的控制参数。仿真研究表明,DE-CPCE算法的控制参数具有动态自适应性;并且在与文中所提及的算法(DE/rand/1,DE/best/1,DE/rand-to-best/1,DE/rand/2,DE/best/2,self-adaptive Pareto DE and self-adaptive DE)比较中,该算法能以较高概率求得全局最优值,且收敛速率快,求得最优解的精度高。同时,应用 DE-CPCE算法估计 SO2催化氧化反应动力学模型参数,结果优于文献报道。      

自适应加权最小二乘支持向量机回归及应用

针对软测量建模样本中数据难以避免存在粗差、以及粗差数据对模型性能的影响,提出了一种自适应加权最小二乘支持向量机(AWLS-SVM)回归建模方法。AWLS-SVM基于建模样本数据,根据最小二乘支持向量机回归模型的拟合残差确定各样本的残差权值,根据样本的空间分布确定杠杆权值,进而通过迭代运算,自适应确定各建模样本的权值,在有效减小粗差点对模型性能影响的同时,保留了其所提供的有效信息。仿真实验表明,AWLS-SVM能有效克服粗差样本数据的影响,其模型的预测性能明显优于LS-SVM和径向基函数网络。最后,应用AWLS-SVM建立粗对苯二甲酸中4-CBA含量软测量模型,获得满意结果。     

基于径基函数-偏最小二乘回归的对羧基苯甲醛含量软测量模型

采用具有强非线性表达能力的径基函数（RBF）-偏最小二乘回归（PLSR）相结合的建模方法建立了对苯二甲酸中对羧基苯甲醛含量的软测量模型.该组合方法应用径基函数实现自变量样本数据矩阵的非线性变换,应用偏最小二乘回归消除复共线性对模型预报精度的影响,从而使模型预报性能良好,与直接采用偏最小二乘法建模计算相比,预报误差下降了18.4%.     

基于GA优化的非线性岭回归方法及其在软测量中的应用

提出一种基于遗传算法的非线性岭回归建模方法(GA-NLRR).该方法的核心是先通过RBF的转换实现输入样本的非线性映射,然后用岭回归方法进行线性建模,并采用遗传算法优化岭参数k.该建模方法能很好弥补常规岭回归方法的不足,即无法处理复杂非线性问题和岭参数难确定的问题.将该方法应用于溶剂脱水塔的软测量建模中,仿真研究表明:使用GA-NLRR建立的模型具有很好的预测精度.     

基于新型蚁群算法优化的重油热裂解模型

针对重油热裂解模型的参数估计问题呈高维、高度非线性的特征,提出一种基于新型蚁群算法优化的重油热裂解模型.通过新型蚁群算法优化确定模型参数,获得具有良好预测精度的模型.新型蚁群算法通过将解空间划分成若干子域,并引入遗传操作,实现连续优化问题的寻优.仿真结果表明它具有良好的性能,且优于传统的遗传算法.