基于炉口火焰辐射测温的转炉终温预测研究

转炉炼钢的铁水终点温度是衡量铁水是否符合出钢要求的一个重要指标,目前仍主要依靠人工经验进行控制,其预测精度难以保证。为了能够有效的预测终点铁水的温度,并能满足不同的转炉炉口尺寸的要求,提出了一种基于炉口火焰温度测量的转炉终点铁水温度预测的新方法。利用可以采集可见光和近红外波段的微型光谱仪作为关键器件构建了炉口火焰辐射信息的采集系统,实现对转炉炼钢现场的炉口火焰辐射信息进行实时、有效的采集。同时综合考虑了炉口火焰的实际温度范围和现场的测量距离,通过改进的系统标定方法,对所构建的辐射信息采集系统进行标定,并利用双波长法获得了炉口火焰的辐射温度。鉴于炉口的火焰温度与炉内的铁水温度之间存在着一定的联系,还利用所测得的火焰温度以及与铁水温度相关的转炉吹炼过程参数,建立了基于支持向量机的炉内铁水温度的回归预测模型。对68炉现场采集到的转炉吹炼数据进行验证实验后表明该方法的预测精度要优于人工经验,且接近采用副枪的铁水温度测量方式,可为中小型转炉的终点温度预测提供一种有效可行的方案。     

基于小波变换和支持向量机的光谱多组分分析

以符合朗伯—比尔定律的光谱信号为研究对象，在运用小波变换对光谱信号进行去除噪声处理的基础上，建立了基于支持向量机的多组分分析模型，最后采用计算机模拟的方式对该方法进行了举例说明.实例表明，该方法能较好地解决非线性、小样本条件下的多组分分析问题.     

基于支持向量机的模型传递方法研究

模型传递是以数学方法通过在2台不同仪器之间寻求一种变换关系来增强光谱仪数据通用性、可比性的一种基本途径。由于实际测量数据具有非线性特征,加上校正样本集合的有限性,使得解决小样本条件下非线性关系的模型传递问题显得尤为重要。文章在概述支持向量机基本原理的基础上,探讨了支持向量机方法在光谱仪的模型传递问题中的应用,提出了基于支持向量机的分段直接校正方法,最后采用计算机模拟的方式对该方法进行了举例说明,并和人工神经网络方法进行了相应的比较。     

基于Raman光谱和支持向量机回归的古井贡酒年份鉴别方法

白酒年份的快速准确鉴定是白酒品质分析的重点和难点问题之一。实现白酒年份酒的快速、准确的鉴别,对促进白酒行业的健康发展、维护消费者的合法权益具有重要意义。光谱分析法结合模式识别技术是实现白酒品质快速鉴别的首选方法之一,而Raman光谱由于其受水的影响很小且很少或不需要样品前处理,在白酒分析中具有广阔的发展空间。因此,采用Raman光谱和支持向量机回归(SVR)建立数据分析模型,用于不同年份白酒的年份鉴定和同一年份不同贮存时间的白酒年份鉴定。该研究创新之处主要包括如下三个方面：(1)应用Raman光谱对白酒品质进行分析,在分析方法的应用上具有一定的创新之处。(2)研究白酒的年份鉴定问题,在研究对象的选择上,具有一定的创新之处。(3)建立基于回归框架的白酒年份与年份指数对应关系,实现白酒年份识别及预测,不仅可以有效鉴别白酒年份,同时可用于鉴别白酒贮存时间,因此,在分析方法的确定和应用上,具有一定的创新之处。实验中采用古井贡5年、8年、16年及26年系列年份酒进行了实证分析,数据分析实验结果表明,所建立的基于Raman光谱和SVR的白酒年份鉴别分析流程和方法,对鉴别不同年份的白酒,以及同一年份不同贮存时间的白酒样品(包括对数据库内已有样本年份的鉴别,以及对数据库内没有的盲样的年份预测),均取得较好的应用效果,相比于其他常用回归分析方法具有明显的优越性,可以为白酒年份酒分析提供一定的技术支持。     

基于支持向量机的假酒近红外光谱识别分类研究

一般的检测假酒中甲醇的化学方法虽然结果较准确,但操作复杂、费用昂贵且对实验的环境条件要求严格.为此,提出了一种基于支持向量机对掺甲醇的假酒光谱进行识别与分类的方法.采用ASD FieldSpec 3光谱仪测量了样品溶液的反射光谱;通过对反射光谱进行平滑、导数等预处理并进行相关性分析和单变量回归分析,得出假酒中甲醇光谱不被乙醇光谱掩盖的特征峰作为特征谱带;最后用特征谱带训练分类模型并得到分类结果.结果表明:以甲醇含量小于等于3%为真酒的总体分类准确度为85%,以甲醇含量小于等于5%为真酒的总体分类准确度为97.5%;证明该方法是可行的且具有较高的分类准确度.     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

基于支持向量机回归的LIBS飞灰含碳量定量分析

采用激光诱导击穿光谱(LIBS)技术对配制的飞灰样品进行实验分析,应用支持向量机回归(SVR)模型对飞灰的含碳量进行预测。运用网格搜索法分别对径向基(RBF)核函数和多项式函数的结构参数进行寻优,然后分别建立基于内标元素特征光谱、全谱和主要元素特征光谱的SVR模型。研究表明,基于RBF和多项式核函数的SVR模型在理想的结构参数下可以取得相同的分析精度,但RBF能较快地完成模型优化并且不易出现欠拟合的现象。基于内标元素特征光谱的SVR模型的分析精度与内标法相当,基于全谱的SVR模型出现明显的过拟合现象。基于主要元素特征光谱的SVR模型的回归系数为0.986,校正均方根误差为1.79%,预测均方根误差为2.57%,说明该模型可以有效避免欠拟合和过拟合。     

基于支持向量机、支持向量回归和分子对接的CYP450 1A2抑制剂的发现研究

支持向量机,支持向量回归和分子对接的计算方法已广泛应用于化合物的药理活性计算。为了提高计算的准确性和可靠性,拟以细胞色素P450酶1A2为研究载体,运用建立的联合SVM-SVR-Docking计算模型预测潜在的CYP1A2抑制剂。其中,建立的最优SVM定性模型训练集,内部测试集和外部测试集的准确率分别为99.432%,97.727%和91.667%。最优SVR定量模型训练集和测试集的R和MSE分别为0.763,0.013和0.753,0.056。实验表明两个模型具有较高的准确性和可靠性。通过对SVM和SVR模型结果的比较分析,发现连接性指数、分子构成描述符和官能团数目等分子描述符可能与CYP1A2抑制剂的辨识和活性预测密切相关。随后利用分子对接技术分析化合物与CYP1A2的结合构象及相互作用的稳定性。形成氢键相互作用的关键氨基酸包括THR124,ASP320;形成疏水相互作用的关键氨基酸包括ALA317和GLY316。所获得模型可用于天然产物化学成分中CYP1A2潜在抑制剂的活性计算及其介导的药物-药物相互作用预测提供理论指导,也为合理联合用药提供一定参考。共获得20个对CYP1A2具有潜在抑制活性的化合物。部分结果与文献结果相互印证,进一步说明了模型的准确性和联合计算策略的可靠性.     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究

以黄瓜叶部病害作为研究对象,基于可见光谱反射率差异识别黄瓜叶部病害,研究基于SVM的黄瓜叶部病害识别预测模型。采用小波变换进行数据预处理;选取Otsu、边缘分割法和K均值聚类三类分割方法进行病斑分割,比较错分率和运行时间,K均值聚类方法更适合黄瓜叶部病斑分割;提取纹理、颜色和形状特征参数,共15个特征参数;通过交叉验证选择最优参数c和g,对核函数参数进行优化处理,并通过比较线性核、多项式核、RBF核等不同核函数情况下SVM的正确识别率,确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。并将基于SVM与另外两种常见的黄瓜叶部病害识别方法,BP神经网络和模糊聚类进行比较,结果表明,基于SVM的识别模型对霜霉病的正确识别率为95%,白粉病和褐斑病的正确识别率均为90%,平均诊断正确率为92%;该模式识别方法识别效果最佳,运行时间最短,为基于可见光谱的黄瓜病害识别模型提供参考。     

基于支撑矢量机的天体光谱自动分类方法

天体光谱自动识别系统的主要目标是对天体进行分类和参数测量。文章提出一种新的基于支撑矢量机的非活动天体与活动天体的自动分类方法。在信噪比低的时候 ,由于红移值未知使得噪声与发射谱线难于辨别 ,因此不能单纯依靠寻找发射谱线来确定是否为活动天体。据此 ,在低噪声情况下对非活动天体与活动天体的区分成为难点。本方法结合主分量分析法和支撑矢量机 ,能够对红移值未知的活动天体与非活动天体比较有效地进行自动光谱分类 ,对天文界的大型巡天计划中的海量观测数据自动处理有比较重要的应用价值。     

基于SVM回归模型的混合气体组分种类光谱识别方法

针对混合气体红外光谱分析中无法采用同一模型同时进行混合气体组分浓度的定量分析和组分种类的定性分析的问题,本文提出了基于SVM回归模型的混合气体组分种类光谱识别方法.通过详细推导,证明混合气体组分种类识别完全可以通过组分浓度分析的SVM回归模型来求解,混合气体组分种类识别是一种特殊的回归.实验结果显示,该方法的混合气体组分种类的正确识别率不小于92.5%.     

混沌光学系统辨识的支持向量机方法

将支持向量机用于混沌光学系统的辨识,以布拉格声光双稳混沌系统为例,通过计算机仿真实验,尝试了用最小二乘支持向量机进行混沌光学系统辨识的可行性,并将其与采用反向传播算法的前向神经网络辨识方法进行了比较。采用最小二乘支持向量机辨识的优点是其训练过程遵循结构风险最小化原则,不易发生过拟合现象;它通过解一组线性方程组可得到全局唯一的最优解;最小二乘支持向量机的拓扑结构在训练结束时自动获得而不需要预先确定。结果表明,本方法的辨识精度和速度均优于基于反向传播算法的前向神经网络,且对含噪混沌光学系统的辨识也同样适用,它可作为混沌光学系统辨识的有力工具。