一种基于自适应模糊高斯核聚类的软测量建模方法

单一模型一般难以表达复杂的生产过程特性,在软测量应用中往往容易使模型的估计精度低、泛化性能差.提出一种基于自适应模糊高斯核聚类的概率加权多模型融合方法,利用高维空间内样本的分散性来确定聚类中心,能取得最佳聚类效果.根据贝叶斯后验定律进行多模型融合,使总模型输出更具合理性.该方法不仅克服了单模型预测的局限性,同时对传统多模型融合方法做了一些改进,提高了过程估计的精度.     

废水处理过程的KPLS-GPR软测量建模

采取基于核函数偏最小二乘法的高斯过程回归模型(KPLS-GPR),对复杂的造纸废水处理过程中出水化学需氧量(COD)和出水悬浮固形物(SS)质量浓度进行预测.首先,采用KPLS的潜变量作为预测模型的输入变量,以降低数据维度,优化数据结构;其次,建立潜变量与输出变量的GPR回归模型.基于某工厂造纸废水数据进行仿真试验,引入人工神经网络(ANN)、基于偏最小二乘潜变量的预测模型(PLS-ANN)及基于核函数偏最小二乘潜变量的预测模型(KPLS-ANN)作为对比.试验结果表明:KPLS潜变量对预测模型有明显的优化效果,在这些模型中KPLS-GPR预测精度最高;对于出水COD和SS质量浓度的预测,KPLS-GPR的决定系数分别为0.575和0.610,相比于常规预测模型,决定系数可分别提升36.90%和43.87%.     

一种基于带监督局部保持投影的多模型软测量建模方法

针对化工生产过程中软测量模型估计精度的问题,提出了一种基于多知识库挖掘理论的带监督的局部保持投影(SLPP)方法。该方法用SLPP算法对输入数据空间进行类与类之间的降维,得到不同的类别转换矩阵和不同的类别多知识库,最后融合支持向量机自适应地实现组合建模。仿真结果表明:该建模方法用于双酚A含量的软测量建模中,较传统多模型方法可以更加合理地加权得到子模型,提高了模型估计精度,具有更强的泛化能力。     

PSO算法在多模型自校正动态矩阵控制中的应用

为解决多模型控制中固定模型获取问题,将粒子群优化(PSO)算法应用于多模型自校正动态矩阵控制.对一类含跳变参数的单输入单输出离散时间系统,当模型参数突然跳变时,通过PSO算法在线优化自适应模型参数,并根据模型相似度实现固定模型的动态管理,以有效控制模型数量和减轻系统负担.模型切换策略用于选择当前与实际被控对象最接近的控制器.仿真结果表明,该方法能够较大地改善系统的瞬态响应,优于常规的自校正动态矩阵控制算法;并说明了其有效性和可行性.     

软测量建模中的数据校正

为有效剔除工业现场采集数据中的显著误差,降低随机误差的影响,使校正后的数据更好的满足物料平衡和能量平衡,最大程度提高软测量模型的精度,提出一种基于同步算法的数据协调方法,并对双酚A生产工艺现场采集到的数据进行校正。仿真表明,校正后的数据误差率得到显著降低,提高了数据源的精度和模型的泛化能力。     

多过程动态线性模型及Bayes预测

本文讨论了多过程动态线性模型.根据结构和应用目的的不同,将多过程模型分为两类.第一类是由动态线性模型离散概率混合而成的,主要用于模型选择;第二类在不同的时刻用不同的模型来拟合序列,然后再离散混合,它主要用于变化较大或有突发事件的序列预测.     

高动态多光照环境下图像灰度校正方法研究

在高动态多光照环境下,采集的图像通常存在光照不均匀的现象,需对其进行灰度校正处理。当前图像灰度校正方法无法有效分离高动态多光照环境下图像的目标点与背景点,图像灰度校正效果不佳。为此,提出一种新的图像灰度校正方法,依据Retinex中的照度和反射模型对高动态多光照环境下的图像进行描述,通过投影思想对高动态多光照环境下的图像区域进行分割。针对页白区域,将其置为背景色;针对均匀区,通过全局处理方式对其进行灰度校正处理;针对阴影区域,通过采样法对其进行灰度校正处理,给出高动态多光照环境下图像灰度校正的详细过程。实验结果表明,采用所提方法对图像进行灰度校正处理后,图像质量高,细节丢失少,且处理速度快。     

一种新型交互式多模型算法

通过在线辨识交互式多模型（ＩＭＭ）算法各波滤模型噪声，提出一种新型自适应ＩＭＭ（ＡＩＭＭ）。仿真表明该算法的估计精度明显优于标准ＩＭＭ，反映了参数的辨识的有效性。     

一种空间多线性映射功率校正方法的研究

针对中频交流电功率频率范围宽与电流影响大的特点,提出了一种在空间进行多线性映射,将频率和电流的影响因素同时纳入映射计算的功率校正方法。实验结果表明所设计的校正方法能够有效减小误差,适合在嵌入式环境实现。     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

基于非参数回归的发酵过程软测量建模

为了对发酵过程进行检测并分析发酵中产物的浓度,提出一种基于非参数回归的发酵过程软测量方法。该方法直接利用未经处理过的历史数据,采用多维窗宽选择方法确定窗宽,通过计算待估计点与历史数据库中其他时刻点数据的距离来确定该时刻点的权值,从而达到软测量建模的目的,并将其用于青霉素发酵过程产物浓度的测量。实验研究表明,所得软测量模型精度较高,能够有效地实现对青霉素发酵产物浓度的估计。     

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator, LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪...     

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用...     

开关氧传感器的动态建模方法研究

在发动机实验台上,对废气氧(EGO)传感器进行了静、动态标定实验,并研究了EGO传感器在不同温度下的动态特性。根据不同方向和不同幅值激励下的传感器响应信号,建立了动态非线性Hammerstein模型;根据传感器延迟时间与温度的关系,得到了可通过温度校正延迟的Hammerstein模型。     

基于多模型集成的铁矿粉库存量预测方法

针对铁矿粉库存量预测问题,结合灰色系统模型与时间序列模型的优点,提出一种基于多模型集成的库存量集成预测方法.根据库存量历史数据,分别建立基于残差修正的等维新息GM(1,1)模型与自回归积分移动平均模型ARIMA(p,d,q);采用基于信息熵的方法对2种模型进行加权集成;分别采用单一模型与集成模型对铁矿粉库存量进行预测.仿真验证结果表明:集成预测模型实现库存量的准确预测,在3种模型中预测结果最好.     

ELM岭回归软测量建模方法

ELM(极限学习机)是一种新型的前馈神经网络,可有效处理函数的回归问题.针对ELM学习算法隐含层输出可能存在的复共线性问题,提出了ELM岭回归(ELMRR)软测量建模方法.该算法利用岭回归方法代替原有的线性回归算法,以误差平方和均值为性能指标,采用粒子群优化算法确定最佳岭参数,克服了传统岭回归算法最佳岭参数难以确定的缺...     

基于在线学习优化动态模型库的多模型自适应控制

提出一种通过在线学习优化动态模型库的方法. 当子模型数量增长达到设定规模时, 根据动态模型库中各子模型与实际对象的匹配程度, 选取匹配程度最低的旧模型删除, 并添加新建子模型, 从而维持动态模型库在设定规模以内, 解决了在线学习建立动态模型库子模型数量不断增长的问题, 避免了子模型数量的过度增长而引起的计算量增加和性能下降, 并通过仿真证明了算法的有效性.     

基于弯曲高斯过程组合方法的光伏出力预测研究

针对光伏发电功率受多种天气因素影响造成预测难度大的现状,提出了一种基于弯曲高斯过程的混合模型,可以实现一天内任意时刻的光伏出力的概率预测,获得置信区间预测值和点预测值.该算法先由多元自适应回归样条模型实现对多维输入变量的约减,同时得到待预测值的先验数据,然后利用模糊C均值算法按天气类型对训练集数据和测试集的先验数据进行聚类,得到相似样本,再利用弯曲高斯过程模型对测试集数据进行估计,最后利用Bagging算法实现对子混合模型的集成学习,得到待预测值的区间估计和点估计.仿真及试验结果验证了该混合模型的有效性和可靠性.与高斯过程估计和BP神经网络分位数估计相比,该混合模型精度更高,实用性更强.     

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

贝叶斯模型比较的多模型组合框架在软测量建模中的应用

针对基于单一模型建立的软测量模型存在着预测精度需要进一步提高的问题,在分析目前常用的2种多模型组合框架的基础上,提出了一种基于贝叶斯模型比较的多模型组合框架。该框架以通过模糊c 均值聚类分析获得的生产过程状态变化知识为基础,对每种状态下各子模型的预测性能采用贝叶斯模型比较方法进行比较,并以此为基础在不同状态下采用了不同的子模型加权策略。在进行模型比较时,基于交叉检验分布,使用子模型训练所得采样序列,有效地减少了计算量。将该框架用于工程应用,取得了较好效果。