基于支持向量机的PSA制氧机气控阀故障诊断

目的 提出一种故障诊断方法,以有效诊断变压吸附（Pressure Swing Adsorption,PSA）制氧机气控阀故障类别,防止因气控阀故障造成PSA制氧机无法工作。方法 运用时域和频域分析方法分析气控阀动力信号,选取表征典型故障的特征值,并运用选出的特征值对支持向量机（Support Vector Machine,SVM）训练,获得准确的SVM模型。使用该SVM模型对待测气控阀压力信号进行故障标签分类。结果 选取10个维修返厂气控阀进行无标签验证,每个气控阀采集200组数据,放入该SVM模型中进行故障诊断。实验结果与SVM模型预测结果完全相同,实验验证准确率为100%。结论 提出一种基于时域、频域特征与SVM模型相结合的制氧机气控阀故障诊断方法,通过此方法可高效地诊断气控阀的故障类别,实现准确更换或修复气控阀内元件,为后续气控阀故障诊断提供思路和方法。     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能，从而导致故障诊断正确率下降，提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留，有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

基于改进的自组织映射网络的化工过程故障分类辨识

将自组织映射网络(SOM)应用于化工过程故障数据的分类辨识,并采用粒子群优化(PSO)算法优化权重失真指数(LW D I),代替SOM的启发式训练算法,形成粒子群优化的SOM(PSO-SOM)分类算法。以某工厂甲醇合成反应器数据为研究对象,研究结果表明:对比基本SOM算法,PSO-SOM算法对复杂的故障数据能够得到较优的分类辨识结果,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

基于改进的遗传算法优化支持向量机的精馏塔故障诊断

针对支持向量机（SVM）参数的选取困难,提出了利用改进的遗传算法（IGA）对其参数进行优化。IGA采用代沟选择和可变交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高。将基于改进遗传算法优化的SVM（IGA-SVM）训练算法应用于某醋酸共沸精馏塔的故障诊断,仿真实验结果表明：对比标准GA-SVM算法,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,且该算法训练速度更快,便于工程应用,对精馏塔的故障诊断有显著的指导作用。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算法(CWPSO)。通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少。同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化。仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高。     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。     

基于MAS的化工过程故障诊断研究(Ⅱ)

针对化工过程的故障诊断问题,给出了分布式化工过程故障诊断问题的多智能体的合作求解模型。通过对尿素生产过程中尿素蒸发与造粒的化工过程的仿真研究,详细描述了基于多智能体的故障诊断系统的应用方法。这种分布式的框架结构同以往的集中式的诊断方法相比,无论是在满足通信需求还是在简化计算复杂程度上都具有显著的优越性。     

基于MAS的化工过程故障诊断研究(Ⅰ)

提出了一种新的基于多智能体的分布式化工过程故障诊断方法。通过定义化工过程的诊断本体论和功能-行为本体论,系统在提高诊断系统性能的同时,能够显著降低整个系统构造的复杂程度。采用本文给出的化工过程诊断本体论后,整个多智能体故障诊断系统的开发任务从智能体的结构设计转移到对诊断本体论属性的应用上。     

基于局部特征的多模态过程监控方法

多模态过程中各个模态均有不同的特征,因此模态数据的局部特征比全局特征更能有效、合理地表征实际化工过程。为利用多模态数据的局部特征,提出了基于数据局部特征的多模型方法（LFMM）用于多模态过程的监控。首先,离线阶段考虑到数据间的时序信息以及数据特征,利用不同时间窗内数据的变异系数（CV）完成多模态数据集的聚类;然后,考虑到不同模态的数据在空间分布上具有不同的疏密性特征,建模阶段利用局部离群因子（LOF）算法计算数据在其模态数据集中的局部密度,监控时将在线数据的局部密度作为统计特征,并构造全局概率指标用于多模态过程监控;最后,通过田纳西伊斯曼（TE）过程验证了本文方法的有效性。     

A Three-Stage Expert System Based on Support Vector Machines for Thyroid Disease Diagnosis

In this paper, we present a three-stage expert system based on a hybrid support vector machines (SVM) approach to diagnose thyroid disease. Focusing on feature selection, the first stage aims at constructing diverse feature subsets with different discriminative capability. Switching from feature selection to model construction, in the second stage, the obtained feature subsets are fed into the designed SVM classifier for training an optimal predictor model whose parameters are optimized by particle swarm optimization (PSO). Finally, the obtained optimal SVM model proceeds to perform the thyroid disease diagnosis tasks using the most discriminative feature subset and the optimal parameters. The effectiveness of the proposed expert system (FS-PSO-SVM) has been rigorously evaluated against the thyroid disease dataset, which is commonly used among researchers who use machine learning methods for thyroid disease diagnosis. The proposed system has been compared with two other related methods including the SVM based on the Grid search technique (Grid-SVM) and the SVM based on Grid search and principle component analysis (PCA-Grid-SVM) in terms of their classification accuracy. Experimental results demonstrate that FS-PSO-SVM significantly outperforms the other ones. In addition, Compared to the existing methods in previous studies, the proposed system has achieved the highest classification accuracy reported so far by 10-fold cross-validation (CV) method, with the mean accuracy of 97.49% and with the maximum accuracy of 98.59%. Promisingly, the proposed FS-PSO-SVM expert system might serve as a new candidate of powerful tools for diagnosing thyroid disease with excellent performance.     

支持向量机基础上的银屑病辅助诊断方法研究

介绍基于支持向量机的银屑病辅助诊断方法实现流程，包括数据收集和预处理、构建数据库群、特征提取、建立基于支持向量机的辅助诊断模型。通过实验验证该方法的有效性，其诊断精度较高，可以为银屑病数据分析、疾病预防提供技术支持。     

基于支持向量机的化工过程故障诊断

引入了基于统计学习理论的支持向量机技术，以连续搅拌釜式反应器——CSTR模型为例，研究了非线性化工复杂反应过程的故障诊断问题。实验结果表明，支持向量机方法与传统故障诊断方法相比，具有更好的精度、速度以及适应性。     

基于生物信息特征提取的中医辨证

目的伴随着科技的发展,在多学科交叉的今天,选择合适的计算方法对中医证候进行辨证是实现中医规范化的重要任务。方法将多类支持向量机与基于互信息的特征提取方法相结合,用特征提取方法多源数据进行处理,获得信息量最大的症状组合,然后利用这些症状组合作为多类支持向量机的输入进行分类,根据支持向量机的输出就可得到相应的证候。该方法的有效性通过一个中医实例得到证实。结果通过对各种方法获得的症状组合的正确辨证率对比发现,用基于互信息的特征提取方法获得的症状组合较为理想。结论特征提取的结果优于单纯的基于互信息选择症状组合的结果,同时看出支持向量机适合中医证候的小样本研究,客观说明了互信息、特征提取和支持向量机3种方法的结合适用于中医辨证分类。     

Framework of Computer Aided Diagnosis Systems for Cancer Classification Based on Medical Images

Early detection of cancer can increase patients’ survivability and treatment options. Medical images such as Mammogram, Ultrasound, Magnetic Resonance Imaging, and microscopic images are the common method for cancer diagnosis. Recently, computer-aided diagnosis (CAD) systems have been used to help physicians in cancer diagnosis so that the diagnosis accuracy can be improved. CAD can help in decreasing missed cancer lesions due to physician fatigue, reducing the burden of workload and data overloading, and decreasing variability of inter- and intra-readers of images. In this research, a framework of CAD systems for cancer diagnosis based on medical images has been proposed. The proposed work helps physicians in detection of suspicion regions using different medical images modalities and in classifying the detected suspicious regions as normal or abnormal with the highest possible accuracy. The proposed framework of CAD system consists of four stages which are: preprocessing, segmentation of regions of interest, feature extraction and selection, and finally classification. In this research, the framework has been applied on blood smear images to diagnose the cases as normal or abnormal for Acute Lymphoblastic Leukemia (ALL) cases. Ant Colony Optimization (ACO) has been used to select the subsets of features from the features extracted from segmented cell parts which can maximize the classification performance as possible. Different classifiers which are Decision Tree (DT), K-nearest neighbor (K-NN), Naïve Bayes (NB), and Support Vector Machine (SVM) have been applied. The framework has been yielding promising results which reached 96.25% accuracy, 97.3% sensitivity, and 95.35% specificity using decision tree classifier.     

基于加权模糊聚类的污水处理过程故障检测

模糊C均值（FCM）聚类是一种常用的聚类方法,在工业应用时,常因数据的强噪声和非线性导致聚类效果不够理想。提出了一种密度加权、核理论和可能性模糊C均值聚类（PFCM）相结合的聚类方法。该方法采用核函数,将数据映射到线性空间进行聚类分析,消除非线性影响;通过引入点密度概念,加快算法迭代,增强可分性,提高聚类准确率。将该聚类算法用于污水处理过程的故障检测,结果表明该方法不仅能解决非线性问题,而且能有效加快收敛速度。     

基于最优正交质心特征选取的DNA微阵列数据分析

微阵列数据具有样本小、维度高的特点,给数据分析带来了困难。因此,在生物信息学的研究和应用中,从微阵列数据里挑选主基因(特征选取)是十分重要和有意义的。本文采用基于最优正交质心特征选取算法(OCFS)来挑选主基因,并与基于信噪比的主基因挑选法和基于遗传算法的主基因挑选法进行了对比。利用挑选出的主基因,采用支持向量机(SVM)对数据样本进行了分类研究。通过实验,在经典的白血病数据集上,对于34个样本的测试集,达到了33/34的分类准确率,表明了本方法的适用性。     

基于灰理论的化工设备诊断预测

首次对连续搅拌式反应釜和丙烷气体压缩机应用灰预测理论进行了故障预测,给出了GM(1,1)的灰建模过程,并以实例进行了检验,结果表明该预测模型计算简便、结果可靠。该方法应用于化工系统设备的运行状态监测、故障诊断预测,可及早判明故障的发展趋势及对设备的危害程度,为故障状态下的设备停车与否提供决策指导。