基于改进GA-PLS算法的最优辅助变量选择及其在软测量建模中的应用

提出了改进的遗传算法与部分最小二乘回归相结合的最优辅助变量的选择方法。用遗传算法来选择变量时，编码方法简单，染色体的长度为候选变量的个数，每一位的取值（0或1）表示某个变量是否被选中，具有全局搜索性能的遗传算法与传统的变量选择方法相比可以比较准确地找到最（次）优解；同时部分最小二乘回归能够克服多元回归中常见的多重共线性问题，在样本点个数少于变量个数的争件下也能进行回归建模分析。用文中提出的方法建立了催化重整过程中稳定油组分的软测量模型，结果表明了本文提出的辅助变量选择方法的优越性和实用性。     

煤泥水水质监测及软测量技术的应用

为了调控煤泥水系统的水质硬度,使其既有利于沉降又有利于浮选,实现煤泥水水质硬度的在线监测是基础保障.考虑到煤泥水水质硬度的在线监测技术还没有工业化应用,提出了以电导率为辅助变量的软测量技术.进行了实验室模拟水体试验和工业现场的循环煤泥水监测试验,试验结果表明,电导率与水质硬度的正线性相关性较好,线性相关系数的平方值分别为0.979 6和0.953 7.然后,建立相应水体的水质硬度和电导率关系的软测量模型,利用软测量模型对电导率数据进行处理和转换,可实现循环煤泥水系统的水质硬度的在线监测.     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

软测量技术及其应用

软测量技术是一门新兴的工业技术，是对目前商用传感器不足的一个重要补充，综观国内外软测量技术的发展情况，本文从二次变量选择，数据处理，软测量模型建立，在线校正与工业应用5个方面系统地介绍了软测量技术，应用及其发展前景。     

工业过程软测量研究

综述工业过程软测量研究现状.论述软测量过程中辅助变量的选择,过程数据的预处理,软测量模型的建立及软仪表校正方法,提出工业过程软测量的实现方案.评述基于回归分析、BP神经网络、RBF神经网络、支持向量机等当前主要软测量建模方法的特点及其在工业过程软测量中的应用.指出当前工业过程软测量实现过程中存在的诸如误差处理、软仪表校正等问题及今后软测量技术与优化控制相结合的研究与发展方向.     

基于互信息和随机森林的混合变量选择算法

针对单一变量选择算法中模型分类精度和泛化能力较低的问题,提出一种混合变量选择算法.该算法分为两个阶段:过滤阶段,利用互信息快速排除一部分无关变量,降低样本空间的维数;封装阶段,在置换理论框架下,利用随机森林精选剩余变量.实验结果表明,该算法与对比算法相比具有更高的分类精度和泛化能力.     

基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析（independent component analysis,ICA）变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法（KPLS）建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.      

基于彩色CCD的高温场软测量模型及应用

为了提高基于CCD传感器的高温场非接触测量技术的测量精度和准确性,提出一种高温场软测量混合模型.首先,通过机理分析建立一个含待定参数的机理模型;然后,利用黑体炉标定和在线标定数据,对机理模型中的待定参数进行参数辨识;最后,通过构建烟雾衰减辐射能补偿器,对受烟雾干扰的测温结果进行补偿校正.实验结果表明,模型测温精度和可信度较高,具有较强的实用性.     

基于LSTM的燃煤电厂NOx排量软测量

燃煤电厂煤粉在燃烧过程中产生的有害气体会对大气环境造成污染,NO_x为其中之一。针对燃煤电厂生产过程中NO_x排放量测量成本高、过程复杂等问题,考虑到机组运行数据具有的时间序列特征,提出一种基于长短期记忆神经网络的软测量方法对NO_x排放量进行预测。在分析NO_x产生机理的基础上,利用来自陕西省榆林市某电厂2019年1月至6月的实际生产数据,初步选取与NO_x排放量紧密相关的20个辅助变量;将数据进行预处理以消除粗大误差和随机误差,并利用灰色关联度分析进一步精选出15个辅助变量;将实际生产数据划分训练集和测试及对LSTM模型进行训练和测试,并将LSTM模型与BP神经网络模型和支持向量机模型的软测量结果比较。结果表明：基于LSTM的测量方法均方误差较基于BP神经网络与SVM的方法均有减小,说明该方法测量准确度较高,泛化能力更强。     

第一特征选择的信息论方法

提出一种第一特征选择的信息论方法．该方法考虑了第一特征和其他特征组合共同包含的类别信息．即使在非线性分类问题中也表现出良好的第一特征选择性能．     

一种改进的互信息特征选取预处理算法

讨论了基于互信息的特征选取算法在文本分类中的性能问题,分析了利用这种特征选取算法存在分类精度不高的原因,认为互信息为负值的特征在分类中具有很重要的作用．在此基础上提出了一种基于互信息特征选取的改进算法,该算法加强了互信息为负值的特征在分类中的作用．实验结果表明,改进后的算法可以有效地提高文本分类精度。     

基于改进型辅助变量法的压力传感器建模

针对经典压力传感器建模方法存在适应性较差、难以准确获取压力传感器动态特性的问题,提出了一种基于改进型辅助变量法的压力传感器动态建模方法。首先运用粒子群算法预估计模型参数,将预估计的参数代入差分方程构造辅助变量。然后利用输入、输出数据用辅助变量法辨识模型的参数,进行压力传感器系统仿真,在不同噪声模型及信噪比下得到系统输出,分别用提出的方法和现有方法建模,比较建模结果的差异。最后用激波管动态校准实验平台对压力传感器进行动态校准。根据输入、输出数据构造信息矩阵并对其正交分解确定模型阶次,再次用提出的方法和现有方法建模,验证仿真结果。通过压力传感器系统仿真及实验数据验证表明：在压力传感器建模中,改进型辅助变量法的辨识精度明显高于现有方法。     

稳健的变量选择方法及其应用

在已有的变量选择方法和稳健估计方法的基础上,提出了一种针对纵向数据的稳健的变量选择方法,通过模拟衡量其稳健性,并将其应用到一组实际的纵向数据分析中.模拟和实例分析结果表明,提出的稳健的变量选择方法在选择变量、估计变量系数的同时,对数据中可能存在的异常值有明显的抵抗作用.     

基于邻域互信息和自组织映射的特征基因选取

针对基因表达谱数据的高维度、低样本和连续型等特点,提出一种结合邻域互信息和自组织映射进行特征基因选取的方法.首先提出一种改进的Relief算法,对基因进行排序生成候选特征集合;然后提出基于邻域互信息的自组织映射算法对生成的候选特征基因进行聚类;最后利用提出的属性重要性系数从每一类簇中选择代表基因组成特征基因子集.实验结果表明,该方法可以快速有效地选取肿瘤特征基因,能获得较好的分类结果.     

一种特征选择的信息论算法

特征选择在模式识别技术中起着非常重要的作用,用信息论的方法进行特征选择还是一个新课题.MIFS和MIFS-U是两种用信息论方法进行特征选择的近似算法,MIFS和MIFS-U算法都有一个考虑输入特征之间信息冗余的权重系数,MIFS-U算法还有一个条件限制.当条件不满足或权重系数取值不合适时,这两种算法的特征选择性能就会下降.通过研究这两种算法,借助互信息的概念提出一种新的信息论特征选择算法MIFS-D.和MIFS、MIFS-U算法相比,MIFS-D是一种更精确的算法,去掉了限制条件和权重系数.将3种算法应用于几个分类问题,结果表明MIFS-D算法具有相对更好的特征选择性能.     

基于互信息的Web文档聚类方法

由于网络信息的激增,如何充分利用大量的信息,并有效地为Web用户服务成为一个急需解决的问题。相关研究表明利用Web文档聚类的方法可以缩小信息检索的范围,提高查询准确率。通过分析Web文档的特征以及常用Web文档聚类方法的优缺点,提出了一种基于互信息理论的Web文档聚类的方法。在聚类的过程中,计算特征词之间的互信息值,根据阈值判断特征词是否属于同一类别。实验结果表明,该方法与K-Means聚类算法相比较,在准确率和召回率方面均有提高。     

基于遗传算法和互信息公式结合的特征选择

提出了一种由遗传算法和改进互信息公式相结合的特征选择方法．将遗传算法中的特征评价函数换为改进互信息公式来对特征进行选择,结合了过滤式和封装式这2种特征选择方法的优点．实验部分采用另外2种特征选择算法与本文所提方法分别进行特征选择,将这3种方法所得到的特征子集用于概率神经网络、BP神经网络分类器上,通过比较对应的分类精度,检验各种特征选择方法的效果. 实验结果显示,所提出的特征选择方法能更为有效的实现特征选择,所取得的特征子集具有更好的泛化特性.     

基于改进互信息的特征提取的文本分类系统

文章提出并实现了一种改进互信息的特征提取和支持朴素贝叶斯的文本分类系统,改进的互信息算法加强了负值单词的互信息值,弥补了原来互信息预处理算法的不足,从而提高了分类精度.实验结果表明本算法和系统具有较高的分类准确率。