基于证据合成规则的多模型软测量

针对传统软测量方法存在的预测性能差、融合能力低和适应性不强等缺点,本文提出了一种基于证据(D–S)合成规则的多模型软测量方法.首先,利用仿射传播(AP)聚类方法和最小二乘支持向量机(LS–SVM)建立多个子模型;然后,利用D–S合成规则得到多个证据概率分配函数,将其作为权值因子对子模型输出进行融合得到多模型的输出,提高了模型的预测能力和融合能力;最后,将上述方法用于非线性系统和酯化率的软测量建模,仿真结果表明,相比于单一模型和传统的多模型软测量方法,本文方法具有更好的预测性能和精度,是一种有效的软测量方法.

一种基于高斯核化有效性指标的自适应优选聚类数的FKCM

针对传统的模糊核聚类算法(FKCM)需给出聚类个数,且对初始值敏感、易陷入局部最优的缺点,本文提出了一种基于高斯核化有效性指标的自适应优选聚类数的模糊核聚类算法(GKVI-AOCN-FKCM)。利用基于密度和距离的方法选取初始聚类中心,克服了对初始值的敏感,提高了聚类效率。然后用高斯核函数核化后的有效性指标评价聚类效果并自动确定最佳分类数,从而无监督地实现对数据集的模糊划分。对Iris数据集的仿真实验及石脑油属性数据分类的应用验证了算法的可行性和有效性。

一种基于KPCA-BN的软测量建模方法

本文提出了一种将核主元分析(KPCA)和贝叶斯网络(BN)相结合的软测量建模方法。核主元分析可对样本数据进行特征提取,消除数据之间的相关性,降低网络模型的输入变量维数。然后利用贝叶斯网络进行建模,采用基于剪枝算法的EM算法求解高斯混合模型的参数,再利用高斯混合模型逼近贝叶斯网络中变量的联合概率密度,训练贝叶斯网络,该方法不仅降低了模型的复杂性,而且提高了模型的泛化能力。最后采用该方法建立乙烯精馏塔中乙烷浓度的软测量模型,结果表明基于KPCA-BN方法建立的软测量模型有更好的预测效果和泛化能力,是一种有效的数据建模方法。

一种基于D-S和ARIMA的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点,提出一种基于证据理论(D-S)合成规则和差分自回归滑动平均(ARIMA)模型的多模型软测量方法.首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型;然后利用D-S合成规则构造的概率分配函数作为权值因子,对子模型输出进行融合以得到多模型的输出;最后结合ARIMA模型对静态多模型输出进行动态校正.仿真研究与工业应用的结果表明,所提出的方法具有良好的预测性能和融合能力.