基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

基于支持向量机算法的海水藻类生长状态软测量

为了有效监测海水藻类生长状态,采用支持向量机算法对水体中关键表征因子进行软测量.首先采用网格寻优法对支持向量机(SVM)的惩罚因子C和参数σ进行参数寻优,然后利用所得最佳匹配参数通过样本训练,获得海水叶绿素-a浓度的软测量模型.将基于SVM的软测量结果与基于BP神经网络的软测量结果作对比,可以看出,基于SVM的软测量方法具有较好的预测精度和稳定性,可应用于海水藻类生长状态的软测量.     

循环流化床入炉垃圾热值软测量

面对城市生活垃圾(MSW)的热值(HVs)难以实时测量的现状,构建基于减法聚类的自适应模糊神经网络(ANFIS)的入炉垃圾热值软测量模型.针对循环流化床(CFB)生活垃圾焚烧炉的工艺特点,选择模型的输入变量;依据专家经验对样本的热值进行模糊分类;利用减法聚类(SC)算法对训练样本进行分析,自适应地确定初始模糊规则和模糊神经网络的初始结构参数;结合最小二乘估计法和误差反向传播算法对模糊神经网络的参数进行学习,构建自适应神经模糊推理系统,完成CFB生活垃圾焚烧锅炉入炉垃圾热值的软测量建模.对比研究BP神经网络、RBF神经网络和支持向量机模型在垃圾热值预测方面的表现,结果表明:基于减法聚类的模糊神经网络模型具有最高的预测精度.预测值和实际垃圾热值的比较结果证明:模糊神经网络模型能够表征垃圾热值的整体变化趋势,可以对循环流化床垃圾焚烧锅炉的运行、控制和管理起到指导作用,并且能够为循环流化床生活垃圾焚烧锅炉的燃烧自动控制(ACC)系统提供可靠的热值反馈信号.     

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。     

结合投影与近邻操作的支持向量快速筛选方法

为减少支持向量机(SVM)的计算负担,提高运算效率,并保证分类精度,提出一种结合投影与近邻操作的支持向量快速筛选方法.该方法利用Fisher投影轴的全局特性将其作为SVM最优分类面的近似法方向,在该方向快速筛除大量非支持向量,将分类边界附近的样本集作为备选支持向量集,同时为解决投影操作未考虑样本局部结构信息造成的误删支持向量的问题,结合近邻操作回选样本空间中备选支持向量的近邻样本更新扩充备选支持向量集,以该子集中的样本作为SVM的输入.在多个UCI标准数据集上的实验结果表明,该方法在充分保证分类精度的前提下有效降低了SVM的计算负担,具有较好的推广性.     

基于参数自适应SVR的火电厂热工参数软测量

影响火电厂经济运行的一个重要因素是许多重要技术参数和经济参数难以进行在线实时测量。提出了一种新型软测量模型,它基于支持向量回归(SVR)算法,利用训练数据性能信息获得模型训练参数,减少人为因素对模型精度的影响,提高了建模效率和模型精度。某火电厂历史实测数据仿真结果表明,文中提出的方法能有效实现热工过程参数的软测量,有较大实用价值。     

基于动态数据的上浆率在线增量软测量

针对浆纱过程产生的实时动态数据,提出一种基于增量学习的在线软测量建模方法,实现对上浆率的预测.将增量学习的思想引入软测量算法,去除冗余数据,提高算法效率;使用改进式山峰算法确定数据中心,通过自适应方法确定去噪半径,完成对噪声数据的筛选;选取软测量算法进行建模.实验所用数据采集自真实浆纱过程.仿真结果表明:该算法预测精度较高,具有一定的抗噪性能,均方根误差最小可达0.263 3,最大绝对误差最小为0.633 1,适用于多种智能算法的在线更新.     

基于支持向量机的静压转台热误差补偿

在一般补偿器的硬件中无法运行MATLAB等第三方工具软件的代码,导致大多模型不能被应用于机床热误差的实际补偿.为了提高误差建模效率,降低对补偿系统硬件的要求,提出静压转台热误差实时补偿方法. 该补偿方法以支持向量机（SVM）为核心算法,分别使用鱼群算法和狼群算法对支持向量机的核心参数进行前期和后期优化,在保证预测精度的前提下提升建模效率. 通过离线训练MATLAB筛选出支持向量导入到开发的补偿软件中,利用用于过程控制的对象连接与嵌入（OPC）方式对热误差实施实时在线补偿. 与传统多元线性回归建模方式对比,可以看出该模型在精度和效率上均较优.补偿实验的结果表明,转台的轴向误差由原来最大为40 μm降低为约10 μm,转台的加工精度提高了75%,验证了所提出补偿方法的有效性.     

基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。     

基于混沌果蝇优化最小二乘支持向量机的秸秆发酵过程软测量建模

针对秸秆发酵制取燃料乙醇过程的关键参量乙醇质量浓度难以用传统物理传感器实时在线测量,给发酵过程的监测与控制带来困难这一难题,采用混沌果蝇优化算法( chaos fruit fly optimization algorithm,CFOA)优化最小二乘支持向量机( least square support vector machine,LSSVM)的关键参数,避免了普通交叉验证法选取参数的耗时性和盲目性,建立混沌果蝇最小二乘支持向量机软测量模型,实现乙醇质量浓度的在线实时测量.实验仿真表明：基于CFOA的LSSVM模型平均误差为4.55%,明显优于LSSVM模型,表明该软测量建模方法预测能力强,测量精度高.     

并行PSVM算法及其在入侵检测中的应用(英文)

基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器.     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076 s减少到0.793 s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.     

用于高炉铁水质量预报的改进支持向量回归

针对建模数据中包含噪声和离群点会降低相应软测量模型准确性的问题,提出一种结合2层变量空间分析的预处理方法.用多变量修剪法在原始变量空间预处理;并提出支持向量聚类（SVC）的预处理方法,将建模数据映射到高维特征空间,构造一超球体来排除离群点.SVC无需像传统预处理方法假设数据服从正态或近似正态分布,更符合实际的高炉过程.预处理后的数据再用支持向量回归建立软测量模型.在一工业高炉铁水硅含量的建模和预报实验结果表明,所提出方法能够更有效排除离群点,且提高了支持向量回归模型的鲁棒性和预报性能.     

支持向量机在线训练算法及其应用

针对支持向量机在线训练算法训练速度较慢和无法处理边缘支持向量集合为空的缺点,以KKT条件和拉格朗日乘数法为基础,用严格的数学推导得到一种改进的训练算法.通过建立一个矩阵缓存来保存与核函数相关的数据,给出在算法中有效操作该矩阵缓存的方法以加快训练速度;边缘支持向量集合为空时,修改模型的偏值项使样本进入该集合,训练算法得以继续运行;并讨论了该算法在在线系统辨识中的应用.仿真实验和分析结果表明: 对于非线性时变系统,改进算法的建模精度较高,训练速度较原算法有了很大的提高.     

一种基于改进万有引力和支持向量机的数据校正方法

针对在线数据校正效果差的问题,提出了一种基于改进万有引力和支持向量机的数据校正方法.首先为了减小计算量,对万有引力算法中的适应度函数进行改进,利用改进的万有引力算法对影响支持向量机性能的重要参数进行优化.然后利用少数准确的离线试验数据对支持向量机回归模型进行训练,当在线监测的历史或实时数据不在回归模型允许偏差范围内时,通过回归模型对异常数据进行校正.最后通过实际数据对提出的方法进行验证,结果证明了该方法的可行性和有效性.     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.     

基于在线鲁棒LSSVM的自适应PID算法

为了解决在线最小支持向量机在每个采样周期更新模型带来计算量大的问题,提出了在线鲁棒最小二乘支持向量机(LSSVM)的自适应PID控制算法.通过2步加权策略提高LSSVM的鲁棒性,把样本预测误差与过程先验知识相结合给出控制模型复杂度准则,有效地提高了模型的精度、速度以及稀疏性;结合预测控制思想,把在线鲁棒LSSVM算法用于PID非线性控制.仿真结果表明:鲁棒Huber函数与ε-不敏感函数相结合的鲁棒代价函数,能够有效地对系统局部非线性区域进行建模,随系统工作点变化而自适应地辨识,不仅有较高的控制精度,而且具有较强的鲁棒性和建模速度,能够适应时变参数对象的控制.     

应用有效波长进行奶茶品种鉴别的研究

基于最小二乘支持向量机建模方法,提出应用奶茶在可见/近红外光谱谱区的有效波长进行其品种鉴别的新方法.用225个样本建模,75个样本进行预测.通过对光谱数据进行偏最小二乘法分析,根据载荷图和回归系数图选择鉴别奶茶品种的有效波长（EW）,并建立EW与最小二乘支持向量机（LS SVM）相结合的EW LS SVM模型,同时与应用主成分（PC）和小波变换（WT）建立的PC LS SVM和WT LS SVM模型进行判别准确率的比较.结果表明,应用EW、PC和WT建立的模型对建模样本的判别准确率均为100%,对预测集样本判别准确率分别为98.7%、98.7%和100%,获得了理想的鉴别效果.研究表明,应用可见/近红外光谱谱区的有效波长进行奶茶品种鉴别是可行的,且EW LS SVM模型能获得满意的鉴别精度.