共查询到12条相似文献,搜索用时 78 毫秒
1.
2.
介绍了核函数方法的基本原理及两种核函数统计建模方法;提出了用核函数PLS与核函数PCR建立工业丙烯腈生产过程丙烯腈收率软测量模型,以便更有效地处理过程非线性、多输入和数据共线性等复杂特性。对比研究发现,基于核函数方法的软测量模型要优于线性统计模型,而核函数PLS模型性能优于核函数PCR。 相似文献
3.
小波核极限学习机及其在醋酸精馏软测量建模中的应用 总被引:1,自引:0,他引:1
传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。 相似文献
4.
为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。 相似文献
5.
6.
在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度. 相似文献
7.
综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求. 相似文献
8.
9.
概率主元分析(PPCA)能够根据过程变量的预测误差及其主元的白化值实现对过程的监控。但是PPCA只适合线性过程,而对非线性过程的监控效果不理想。为克服上述缺点,提出一种基于核PPCA(KPPCA)的过程监控方法,定性讨论了KPPCA模型的参数和主元个数选择问题,构造了高维空间的SPE和T2监控指标。该方法利用核函数将非线性数据映射到高维空间,去除了过程的非线性,然后利用PPCA对满足线性关系的过程变量映射值进行监控。仿真结果验证了该方法对非线性过程监控的优越性。 相似文献
10.
针对过程神经网络在输入维数较高时存在时间代价过大的缺点,提出了基于核主元分析(KPCA)和离散Walsh变换的改进过程神经网络算法(IPNNKPW)。该算法结合KPCA和离散Walsh正交基变换,减少了过程神经网络的输入计算代价;引入动量因子和自适应学习率,加速了网络收敛并有效地抑制了网络震荡。应用该算法对聚合反应中聚丙烯腈平均分子量建模,仿真实验结果验证了该算法的有效性,它能以较少的时间代价得到较高的模型精度。 相似文献
11.
【目的】采用主成分分析法及相关性分析对干姜及其不同炮制程度姜炭的质量控制标准进行研究。【方法】以干姜及轻炭、标炭、重炭的鞣质含量、吸附力、p H值以及姜酮、6-姜酚、8-姜酚、6-姜烯酚和10-姜酚等主要化学成分含量为考察指标,并根据得到的主成分综合得分和相关性分析结果对干姜及其不同炮制程度姜炭的质量控制标准进行研究。【结果】干姜及其不同炮制程度姜炭的鞣质含量、吸附力、p H值以及主要化学成分含量存在差异性和规律性,从以上指标提取出2个主成分,并且2个主成分的累积方差贡献率达93.15%。相关性分析显示:鞣质含量、吸附力、p H值以及主要化学成分含量之间具有显著相关性,说明炮制程度与以上指标密切相关。【结论】通过主成分分析模式及相关性分析对干姜及不同炮制程度的姜炭的质量进行综合评价,评价指标全面合理,且具有客观性。 相似文献
12.
Jun-qing WU Er-sheng GAO Jian-guo TAO Cui-ling LIANG Wenying LI Qiu-ying YANG Kang-shou YAO Wei-qun LU Lu CHEN. Fudan university Shanghai China. Shanghai Institute of Planned Parenthood Research Shanghai China. Zhejiang Institute of Planned Parenthood Research Hangzhou China. Guizhou Institute of Planned Parenthood Research Guiyang China. Qingdao Institute of Planned Parenthood Research Qingdao China 《生殖与避孕(英文版)》2003,14(1):55-63