基于DP-RFR的多模型软测量建模

实际工业过程往往是一个多工况、非线性的大规模复杂系统,使得单一模型软测量建模方法难以充分挖掘数据信息。针对这一问题提出了一种基于密度峰(Density Peak,DP)聚类和随机森林回归(Random Forest Regression,RFR)的多模型软测量建模方法,从而对主导变量进行估计。首先,利用DP聚类算法对训练数据进行划分;其次,采用RFR方法建立各子类的回归子模型;最后采用开关切换的方法进行多模型融合。将提出方法应用于TE过程和丁烷蒸馏过程的软测量建模中,分别对产物G含量和丙烷含量进行估计。仿真结果表明估计精度得到提高,证明该方法是有效的。

原子吸收法测定铁粉中钴、铬、锰、镍、锌等杂质

原子吸收法测定铁粉中钴、铬、锰、镍、锌等杂质李新友，何新礼（河南省地矿厅第１１地质队，南丘市，４７６０００）铁粉是生产茶色玻璃的主要着色剂。其中Ｃｏ，Ｃｒ，Ｍｎ，Ｎｉ，Ｚｎ等杂质对玻璃正常着色有很大影响，正确地分析这些杂质的含量是保证茶玻质量的关键。...

基于QPSO-RVM的双酚A软测量建模

相关向量机(RVM)预测模型在贝叶斯框架下用最大似然方法对模型权值进行训练,可以有效解决过学习的问题,有较高的模型泛化能力且具有较为稀疏的相关向量和核函数选择上不用满足Mercer条件等优点。RVM的基本思想是使用核方法将自变量从低维空间映射到高维空间,以获得因变量与自变量线性回归的稀疏解。核矩阵作为训练数据信息到回归模型的信息通道,其唯一参数即核函数宽度的选取直接影响RVM模型的回归性能。本文基于量子粒子群优化算法(QPSO)提出了RVM核函数参数值的优化方法,并使用该方法建立双酚A(BPA)生产过程中裂解回收单元的BPA含量软测量模型。实际应用结果表明优化后的RVM模型预测精度有明显的提高,表明了该方法的有效性。