一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

一种多传感器数据自适应空间分级融合算法

当采用分布在不同空间位置上的多传感器观测值对测量噪声干扰下的参数进行融合估计时,被测量的空间分散性对融合结果影响较大.针对该问题,以自适应加权融合算法为基础,提出了自适应空间分级融合算法,并给出了误差分析和应用方法.该算法将融合过程分解为两次寻优,第1次是局部空间的自适应加权寻优,第2次是在全局空间内的融合寻优.计算机仿真结果表明:该算法在估计空间分布不均匀的被测量时优于自适应加权融合算法.     

基于LSSVM的工业锅炉燃烧性能指标软测量

为实现工业锅炉的燃烧优化,需要实时掌握飞灰含碳量、炉渣残碳量等燃烧性能指标的变化.本文采用最小二乘支持向量机(LSSVM)建立了循环流化床锅炉(CFBB)燃烧性能指标的软测量模型,并提出一种基于自然选择的粒子群算法来优化LSSVM参数.在此基础上,利用工业锅炉现场数据,进行了本文的软测量模型与神经网络软测量模型的对比研究,结果表明:本文方法具有精度高和泛化能力强的优点,可作为工业锅炉飞灰含碳量、炉渣残碳量等燃烧性能指标的有效测量工具.     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

支持向量回归在飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量难以准确测量的问题,应用支持向量回归和粒子群算法相结合建立了飞灰含碳量软测量模型;建模中以某电厂提供的1 000 MW超超临界机组的测试数据为研究对象,对数据进行了预处理,对各种变量进行了关联度分析,采用粒子群算法优化了模型的惩罚参数C和核函数参数g,建立了飞灰含碳量软测量模型;同时利用测试数据和另选的随机数据验证了模型的准确性和泛化能力;仿真结果表明,飞灰含碳量软测量模型的预测精度较高,相对误差被控制在±1%以内,而且泛化能力较强,为锅炉飞灰含碳量的测量提供了一种有效的途径。     

基于PSO-SVR的飞灰含碳量软测量研究

针对飞灰含碳量测量的研究现状和不足,采用基于粒子群优化的支持向量回归法对飞灰含碳量软测量展开建模研究,该方法利用粒子群算法的寻优功能,实现支持向量机模型的参数优化,使模型具有良好的预测能力.以大唐潮州电厂1000 MW超临界机组为研究对象,将现场采集数据分为训练数据和测试数据,分别用来辨识飞灰含碳量软测量模型和检验模型的泛化能力.仿真结果表明,飞灰含碳量软测量模型仿真输出与实际输出基本吻合,验证了模型的有效性和泛化能力.     

一种自适应二次数据融合算法

针对多传感器测量数据,基于最小均方加权方法,提出了自适应计算各传感器测量方差的方法,并推导出了递推公式。结合灰色系统理论的绝对关联度定义,提出了基于自适应方法的二次数据融合算法,并给出了算法框图。最后,通过仿真计算验证了该算法的有效性。     

基于异常数据预处理和自适应估计的WSN数据融合算法

针对无线传感器网络（wireless sensor network,WSN）存在节点能量受限、测量精度低、生存期短等问题,提出一种基于异常数据预处理和自适应估计加权融合算法（abnormal data-preprocessing adaptive estimation weighting fusion,ADAEWF）。为了提高算法可靠性,提出了基于异常数据检测、简单多数原则和节点综合支持度函数的数据预处理机制;为了减小测量误差对融合精度的影响,基于分批估计和自适应理论对节点测量值进行自适应估计加权数据融合;然后,建立了WSN仿真模型,并分别获得了ADAEWF、自适应预测加权数据融合算法（adaptive forecast weighting data fusion,AFWDF）和算术平均值法下融合结果的均方误差和网络有效生存期。仿真结果显示：ADAEWF算法融合精度和网络有效生存期均优于AFWDF和算术平均值法,表明ADAEWF算法在提高融合数据有效性、网络有效生存期和融合精度方面具有优越性。     

基于参数估计的多传感器数据融合算法研究

为提高多传感器数据融合精度,结合传感器网络的特点及应用实例,研究分批估计、自适应加权和方差估计算法在数据融合中的有效性、准确度和实时性,提出按测量方差的自适应加权数据融合算法,利用600个传感器所提供的实例数据,对几种算法进行仿真,并比较了几种算法的有效性及其融合精度的差异,其结果表明采用自适应加权算法可以有效提高融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合.     

基于支持度和自适应加权的MEMS陀螺信息融合算法

针对MEMS陀螺阵列进行信息融合可以大幅提高其测量精度和可靠性,而传统信息融合算法大部分依赖于观测信息的先验知识而受到应用上的限制。在不依赖于先验知识的基于支持度的融合算法的基础上,提出一种新的加权系数构造方法,利用自适应加权法的思想改变各个传感器观测值方差对权系数的影响程度,既保证了阵列输出结果的可靠性,又能使融合后得到目标参数的总方差最小;而且自适应加权算法中,对各个传感器方差的计算考虑到环境因素等带来的噪声,与各传感器方差的真实值更加接近。实验结果表明,本文提出的融合算法优于传统的平均值估计融合算法和支持度融合算法。     

粉煤灰碳含量检测仪检测算法分析

粉煤灰中未燃烧的碳的含量是粉煤灰利用的重要指标.对比研究FFT频域分析法、自相关检测法和基于互相关的虚拟数字锁相放大法3种算法检测粉煤灰中未燃烧的碳含量,结果表明,虚拟数字锁相放大法测量标准粉煤灰的碳含量所得数据更加准确可靠,相对误差和方差均较小,不超过4％,测量碳含量在0.5％～4％的粉煤灰样品时,光声信号电压值随碳含量变化的线性关系更加直观.虚拟数字锁相放大技术能够精确简单快捷地检测出粉煤灰中的碳含量,对于能源节约和环境保护意义重大.     

基于多传感器信息融合的果蔬仓库监测算法融合

适宜的仓库环境对于提高存储周期、减少腐坏率,起到至关重要的作用。将分组自适应加权融合算法与改进的BP神经网络算法相结合,应用到仓库环境监控系统中。通过使用分组自适应加权融合算法计算同类环境因素的估计值,再与异类传感器融合算法相结合,融合仓库中各种环境因子相互作用的影响,以提高输出结果的准确度。在仓库中收集温度,湿度,气味和二氧化碳浓度四个主要环境因素,并给出四类传感器数据融合处理的实时智能决策结果,从而实现对仓库环境的精确控制。结果表明,算法融合可以有效地提高数据处理精确度,节省各节点能耗,提高监测水平。     

基于PCNN和指数型模糊加权熵的医学图像融合

为了更好地对CT和MRI图像进行融合,提出了一种指数型模糊加权熵自适应融合规则和改进的PCNN区域信息融合规则在多小波基的框架下进行CT和MRI医学图像的融合方法。对待融合图像进行多小波基的分解,对不同频率分量采用不同融合算法。实验表明,算法明显优于其他融合算法。它提高了图像的清晰度,较大程度保留了细节信息,具有边缘信息突出,亮度对比度高的优点。     

图像差与加权核范数最小化的压缩图像融合

现有的图像融合算法存在非线性操作产生的噪声干扰和空间复杂度高等问题,使得融合图像易失真和丢失信息。一些学者提出的压缩感知图像融合算法能有效改善这一问题,但大多忽略了图像矩阵的低秩性,往往会降低融合质量。由此,将压缩感知融合技术与低秩矩阵逼近方法相结合,提出基于信息论图像差与自适应加权核范数最小化的图像融合算法。该算法由3个阶段组成。首先,将2幅源图像通过小波稀疏基稀疏化,并利用结构随机矩阵压缩采样,得到测量输出矩阵。然后,将测量输出矩阵进行分块,再利用图像差融合算法得到融合后的测量输出矩阵块。最后,利用自适应加权核范数最小化优化得到的块权重,通过正交匹配追踪法重建融合图像。实验结果表明了该算法的有效性和普适性,并且在多种评价指标上优于其他融合算法。     

一种实用的发酵过程建模方法

该文提出了同时利用在线参数和离线参数融合建模的实用新方法，给出了基于自适应模糊神经网络方法和模糊逻辑推理方法的建模过程，将两种建模方法进行最优加权融合，采用真实青霉素发酵过程数据进行模型验证，仿真结果表明了该方法具有较好的建模精度和实用性。     

无偏LSSVM的抗噪在线过程建模方法

当动态过程的输出含有测量噪声时,直接用最小二乘支持向量机（LSSVM）对过程建模预测效果较差,为了提高LSSVM模型的预测精度,提出了一种基于无偏LSSVM的抗噪在线过程建模方法。该方法在每一预测步期间对过程输出测量值进行误差判断,若输出测量值与预测值相差较大,就对测量值予以修正,然后用修正值构成样本在线建模,从而减少噪声影响。数字仿真显示,当过程输出测量值混有高斯白噪声时,该文方法比直接LSSVM和现有的加权LSSVM的预测精度要高。     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。