基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

具有混合策略的樽海鞘群特征选择算法

近年来,随着计算机和数据库技术的快速发展,大规模数据集迅速增长,利用特征选择技术来筛选信息量大的特征已经变得非常重要。本文提出了一种具有混合策略的樽海鞘群特征选择算法(salp swarm feature selection algorithm with hybrid strategy,HS-SSA)。首先,本文生成一张基于互信息的排序表,并由排序表提出了新的初始化策略。其次,提出一个新颖的并且有条件调用的动态搜索算法。最后在位置更新上结合瞬态搜索算法(transient search algorithm,TSO),改进勘探和开发步骤的效率,增加解空间的灵活性和多样性,从而使算法能够快速定位到全局最优位置。为了验证算法的性能,实验选取14个UCI的数据集,并且与樽海鞘群算法(SSA)以及近几年樽海鞘群的改进算法等多种优化算法进行比较,结果表明HS-SSA在特征选择上具有更强的竞争力。

基于EMD的锅炉燃烧系统自适应动态 模型优化研究

锅炉燃烧系统的建模是实现锅炉节能减排的基础,为实现燃煤锅炉节能减排,针对现有建模方法多步预测精度不足问题,采用经验模态分解算法把复杂的输出信号转化为多个具有周期性规律或趋势相对平稳的模态信号,降低数据复杂度,基于K近邻联合互信息法得出迟延时间,提出基于动态时间规整距离进行在线更新的最小二乘支持向量机算法,并进行锅炉燃烧系统的建模,基于锅炉实际运行数据的仿真结果表明,该方法可以有效提高模型的自适应能力和多步预测精度,为后续实现闭环燃烧优化控制打下了良好基础。

基于邻域互信息的高维时序数据特征选择

特征选择作为一种数据预处理方法,主要目的是消除冗余和不相关属性,保留性能显著的属性,从而提高模型精度且降低计算复杂度。传统的特征选择方法多基于截面数据,对于实际生活中大量存在的高维时序数据的研究较少。现有特征选择算法并未考虑属性间相互依赖的影响,导致分类性能下降。为此,提出基于邻域互信息的高维时序数据特征选择方法。构建时序信息系统,提出时序邻域关系,并引入该关系下的时序邻域熵、时序邻域联合熵、时序邻域互信息等信息度量。在最近最远邻特征选择算法(算法1)中引入高维时序数据,定义属性重要度,以确定分类性能较优的特征,通过引入累计重要度贡献率控制特征选择规模。设计最近最远邻邻域互信息特征选择算法(算法2),根据阈值得到分类能力强的初始特征集,进一步由时序邻域互信息定义属性冗余度,去除初始特征集中重要度最低、依赖程度最大的属性,得到最终特征子集。在UCR数据集上的实验结果表明,相比原始数据和所提算法1,所提算法2在最佳取值范围和分类精度上分别平均提升13.69%和6.70%,对于处理高维时序数据的特征选择具有一定的有效性和优越性。

基于结构改进RBF神经网络的NO_(x)预测模型比较

针对燃煤电厂选择性催化还原(selective catalytic reduction,SCR)脱硝系统入口氮氧化物浓度测量准确性的问题,提出基于结构改进的径向基函数神经网络(improvedradial basis functionneural network,IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量,避免变量过多或过少导致模型精度降低;利用k近邻互信息估计辅助变量的延迟时间,解决时序问题;采用调整时序的辅助变量和主导变量建立结构改进的RBF神经网络(RBFNN)预测模型;采用人工鱼群算法(artificial fish swarm algorithm,AFSA)和粒子群优化(particle swarm optimization,PSO)算法加速验证结构改进模型的优越性,并对2种优化算法的优化能力进行分析。仿真结果表明,结构改进的RBF神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型;AFSA优化后的模型精度高于PSO算法,然而其需要调节的参数较多。

排列熵算法参数的优化确定方法研究

由于排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性好,已在信号突变检测方面显示出良好的应用前景,但是排列熵算法中嵌入维数和延迟时间等参数的确定仍依赖于经验和尝试,该问题已成为排列熵算法走向工程应用的瓶颈问题。根据排列熵算法的原理,提出了基于重构时间序列最佳相空间来确定模型参数的方法。根据相空间重构的两种观点,介绍了延迟时间与嵌入维数独立确定和联合确定两种方法的基本理论,然后利用仿真信号和滚动轴承全寿命数据对两种算法进行了检验和对比。结果表明,模型参数的独立确定方法比联合确定方法对信号的异常检测更好。

融合互近邻降噪的动态数据流分类研究

动态数据流分类挖掘应用场景逐渐增多,如何辨识出动态数据流中概念漂移和噪声信息成为数据流分类研究中的重点。因此提出一种具备噪声检测能力的动态数据流增量式分类挖掘模型解决此类问题。当动态数据流中出现样本信息与分类模型概念不相容时,采用互近邻思想检测样本是否为噪声,在此基础上用支持向量机作为学习器,通过增量式学习解决数据流中概念漂移。在两种不相容度量标准下,结合理论分析和实验,证明了所提的分类方案是有效可行的。

面向流形数据的测地距离与余弦互逆近邻密度峰值聚类算法

密度峰值聚类算法倾向在球形分布数据中选择密度峰值,而流形数据多呈非球形分布,导致不能准确找到数据的类簇中心.该算法的分配策略优先对类簇中心附近的样本进行链式分配,而流形数据大量样本远离其类簇中心,导致本应属于同一类簇的样本被错误分配.为此,本文提出一种面向流形数据的测地距离与余弦互逆近邻密度峰值聚类算法.将K近邻与测地距离结合并重新定义局部密度,凸显密度峰值与非密度峰值的差异,准确找到类簇中心;将互逆近邻和余弦相似性相结合,得到基于余弦互逆近邻的样本相似度矩阵,为流形类簇准确分配样本.实验结果表明,本算法能有效发现流形数据集的几何形状并准确聚类,对真实数据集和图像数据集的聚类效果优秀.

基于互近邻一致性的近邻传播算法

近邻传播(AP)算法是一种新提出的聚类算法,是在数据点的相似度矩阵的基础上进行聚类,通过数据点之间交换信息,最后得到聚类结果。提出了基于互近邻一致性近邻传播算法,即KMNC-AP算法,该算法利用互近邻一致性调整数据点之间的相似度,进而提高聚类效率和精确度。实验结果表明,该算法在处理能力和运算速度上优于原算法。

大规模图像集中的代表性图像选取

针对传统图像检索系统通过关键字搜索图像时缺乏语义主题多样性的问题,提出了一种基于互近邻一致性和近邻传播的代表性图像选取算法,为每个查询选取与其相关的不同语义主题的图像集合.该算法利用互近邻一致性调整图像间的相似度,再进行近邻传播(AP)聚类将图像集分为若干簇,最后通过簇排序选取代表性图像簇并从中选取中心图像为代表性图像.实验表明,本文方法的性能超过基于K-means的方法和基于Greedy K-means的方法,所选图像能直观有效地概括源图像集的内容,并且在语义上多样化.

基于最近邻互信息的特征选择算法

针对邻域信息系统的特征选择模型存在人为设定邻域参数值的问题。分别计算样本与最近同类样本和最近异类样本的距离,用于定义样本的最近邻以确定信息粒子的大小。将最近邻的概念扩展到信息理论,提出最近邻互信息。在此基础上,采用前向贪心搜索策略构造了基于最近邻互信息的特征算法。在两个不同基分类器和八个UCI数据集上进行实验。实验结果表明:相比当前多种流行算法,该模型能够以较少的特征获得较高的分类性能。

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。

基于相空间重构离心泵基础振动的研究

确定离心泵基础振动主要影响参数的数量,有利于对基础振动影响参数进行分级并进一步指导低振动离心泵基础的设计。通过隔离电机、管道振动的离心泵试验台架,测试了基础上4个测点的振动位移;运用Tisean3.0通过Fraser互信息算法得出了各测点振动位移时间序列的最佳延迟时间,基于该延迟时间通过伪最近邻点法确定各测点振动时间序列的嵌入维数;最后基于所得最佳延迟时间与嵌入维数对离心泵基础振动时间序列进行了相空间重构,以确定所得延迟时间与嵌入维数的准确性。结果表明,虽然离心泵基础上同一平面内不同测点的振动位移时间序列时域信号不同,但在相空间的重构中具有相同的延迟时间与嵌入维数;不同长度的振动位移序列数据段得到相同的相空间重构参数,表明通过振动位移序列进行相空间重构以确定离心泵基础振动影响因素个数具有稳定性;离心泵基础振动位移时间序列在重构的相空间中具有明显吸引子存在,表明离心泵及其基础所组成系统具有确定的振动规律存在;所建立离心泵试验台基础振动的嵌入维数为4,表明其主要影响参数小于或等于4。

脑电Alpha波的混沌关联维数分析

通过研究了静息状态下枕部A lpha波信号的混沌关联维数的特征,在采集了被试的A lpha波信号后,分别采用互信息量法,伪最近邻域法和关联积分方法依次求得时间延迟τ,嵌入维数m和关联维数D2.结果显示枕部的A lpha波关联维数在睁眼时均值4.7,闭眼时均值4.2,二者有显著的差别(p<0.01).实验表明,在闭眼时视觉输入被阻断,大脑处于自治状态,脑电复杂程度下降,而睁眼时复杂程度较高。

GwMKnn:针对类属性数据加权的MKnn算法

互k近邻MKnn算法是k-近邻算法的一种有效改进算法,但其对类属性数据通常采用属性值相同为0,不同为1的方法处理,从而在类属性数据较多的数据集上分类效率受到一定程度的抑制.针对MKnn对类属性数据处理方法的不足,对类属性数据的处理引进类别基尼系数的概念,对同类样本,用基尼系数统计某一类属性中不同值分布对这个类的贡献度作为此类属性的权重,并以此作为估算不同样本之间的相似性对MKnn进行优化,扩宽MKnn的使用面.实验结果验证了该方法的有效性.

基于人工鱼群-径向基神经网络的NO_(x)预测模型

针对燃煤电厂脱硝系统入口NO_(x)质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型。利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响。最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证。结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题。

基于互信息的粒化特征加权多标签学习k近邻算法

传统基于k近邻的多标签学习算法,在寻找近邻度量样本间的距离时,对所有特征给予同等的重要度.这些算法大多采用分解策略,对单个标签独立预测,忽略了标签间的相关性.多标签学习算法的分类效果跟输入的特征有很大的关系,不同的特征含有的标签分类信息不同,故不同特征的重要度也不同.互信息是常用的度量2个变量间关联度的重要方法之一,能够有效度量特征含有标签分类的知识量.因此,根据特征含有标签分类知识量的大小,赋予相应的权重系数,提出一种基于互信息的粒化特征加权多标签学习k近邻算法(granular feature weighted k-nearest neighbors algorithm for multi-label learning,GFWML-kNN),该算法将标签空间粒化成多个标签粒,对每个标签粒计算特征的权重系数,以解决上述问题和标签组合爆炸问题.在计算特征权重时,考虑到了标签间可能的组合,把标签间的相关性融合进特征的权重系数.实验表明:相较于若干经典的多标签学习算法,所提算法GFWML-kNN整体上能取得较好的效果.

基于K近邻互信息估计的EEG伪迹消除方法

针对脑电信号中的眼电和心电串扰伪迹,提出一种基于最小相依成分分析的互信息(MILCA)算法的伪迹消除方法。在提升小波硬阈值法对多路原始脑电信号去噪基础上,运用MILCA算法对各通道信号进行盲源分离,同时采用信号间互相关系数和互信息量作为指标,分析伪迹分离程度。与Extend Infomax、FastICA 2种常见盲源分离算法的对比结果表明,运用MILCA算法对脑电信号中的眼电及心电伪迹的分离结果最理想。

非线性时间序列相空间重构参数选取方法研究

基于非线性时间序列相空间重构的延迟时间和嵌入维数这两个参数的选取互不相关的观点,提出用互信息法确定时间延迟,用伪邻近点法和平均伪邻近点法相结合的方法确定嵌入维数的新思路。通过对几种典型的混沌动力学系统的数值验证,表明该方案能够确定出相空间重构的有效延迟时间和最佳嵌入维数,能够从时间序列中有效地重构原系统的相空间。

暂冲式高速风洞流场控制系统建模与仿真

为满足中国空气动力研究与发展中心的2.4m跨声速风洞流场品质改进的需要,有必要建立一个高效的风洞流场控制模型作为控制器设计的验证平台。由于难以建立精确的空气动力学模型,且2.4m跨声速风洞长期运行积累了大量的试验运行数据的实际,数据建模成为建模方法的首选。在硬件上,建立了基于反射内存技术的流场控制仿真系统,以获取现场采集的数据。建模方法采用数据建模方式,主要是利用系统辨识理论,将整个系统看成是一个"黑箱",利用现场采集的数据来确定系统的参数和输入输出间的映射关系。采用以非线性自回归滑动平均模型(Non-linear Auto-Regressive Moving Average Model with Exogenous Inputs,NARMAX)作为风洞系统的数据模型,应用互信息法、曲线拟合法和伪最近邻点法分别确定了模型中采样间隔、时间滞后以及阶次3个参数。对比了最小二乘线性回归、BP神经网络以及最小二乘支持向量机(LS_SVM)3种方法对模型的拟合效果,确立了最小二乘支持向量机作为最终的拟合方法。为了提高仿真的精度,根据风洞运行的特点,将其整个过程划分为冲压、启动和调节3个阶段,分别建立了各个阶段的子模型。由于风洞系统是一个多输入多输出系统,并且延迟和阶次较大,采用了基于信息熵的数据压缩方法,实现了简化子模型规模的目的。最后,采用多模型融合的方法将各个阶段的子模型通过加权的方法来完成融合,从而构建起整个风洞系统的模型。稳定段总压和驻室静压分别通过所建模型得到,最后通过马赫数的计算公式得到试验段马赫数值。仿真结果表明:所建模型在运行包络线范围内的试验工况下,总压预测精度达到0.1%、马赫数预测精度基本达到0.001,达到了研究的目的。该项工作的开展较为系统地建立了暂冲式风洞的流场控制模型,建立的模型将为下一阶段基于现代控制理论的控制器设计奠定基础。