基于太赫兹时域光谱技术的烟草组分识别

为了准确识别不同烟草配方组分,利用太赫兹时域光谱技术,针对烟草工业常用的叶丝、梗丝和再造烟叶丝3种烟草配方组分开展太赫兹光谱特性分析和分类识别方法研究。对0.35~1.50THz范围内3种烟丝的吸收系数谱和折射率谱进行分析,通过低方差滤波结合主成分分析(Principal Component Analysis,PCA)进行光谱特征提取和降维,分别建立针对吸收谱和折射谱的支持向量机(Support Vector Machine,SVM)分类模型、最邻近分类(K-Nearest Neighbor,KNN)模型和袋装树(Bagged trees)分类模型。结果表明,基于吸收系数谱的分类模型准确率最高,低方差滤波结合PCA的特征提取算法能显著提高分类效果,其中KNN模型准确率达到98.3%。对频域光谱使用连续投影算法(Successive Projections Algorithm,SPA)特征提取并结合SVM模型,分类准确率也在90%左右。研究表明太赫兹时域光谱技术可应用于不同烟草组分的分类判别,为太赫兹技术在烟草物料无损检测的应用提供参考。

基于IBBO和K-means++融合的多属性台区聚类研究

为更全面、精细地研究配网侧台区特性,提出一种基于改进的生物地理学优化算法(IBBO)和K-means++融合的多属性台区聚类方法。首先,采用低方差滤波方法筛选台区电气特征参数;其次,引入IBBO,求得最优解作为K-means++的初始聚类中心;最后,对海量台区用电数据进行聚类分析,得到不同类别的台区特性,完成多属性台区的聚类。算例以某市台区真实数据进行仿真分析。结果表明,所提方法相比经典聚类算法能更加快速且准确地实现台区的有效分类,为分析复杂台区的用电行为提供了支撑。

基于XGBoost-MLP的辛烷值损失模型

为满足日益严格的环保要求,清洁汽油的生产显得格外重要,其中降低辛烷值的损失是目前汽油工业生产亟待解决的问题.本文通过数据挖掘技术对数据进行筛选,建立了基于XGBoost-MLP的辛烷值损失预测模型.首先,在原始数据中根据帕累托法则删除其中缺失严重的特征,又利用|K最近邻法对少量缺失的数据进行填充.并使用低方差滤波和Pearson相关系数法筛选出17个具有代表性、独立性的特征变量.其次,建立XGBoost-MLP模型,利用z-score方法对筛选出的特征做归一化处理,训练XGBoost-MLP模型,绘制预测值和真实值的点线图以及QQ图,并对模型预测结果进行分析评估.最后,以辛烷值损失模型为目标函数,操作变量的取值范围和硫含量不大于5μg/g作为约束条件,建立优化模型.通过差分进化算法寻找目标函数的最小值,同时获得此时的操作变量取值.

基于人工蜂群优化的K-means航空客户价值分析

对客户价值进行分析,识别重要价值客户,对航空公司获利至关重要.提出了基于人工蜂群优化的K-means算法对航空客户价值进行分析的模型.首先,对航空客户的当前价值、潜在价值和客户忠诚度三个方面进行分析,建立了客户价值综合评价指标体系;然后,采用低方差滤波和高相关滤波的方法进行指标约简,根据约简后的决策系统完成客户价值初筛;最后,先使用贝叶斯信息准则方法预测类簇数,在使用基于人工蜂群优化的K-means算法将客户聚类,对航空客户价值结果进行评估和分析.文末对国内某航空公司的62988条真实客户记录进行了实证分析和验证,能区分出不同价值的客户群,对不同客户提供不同的服务,从而为航空客户价值分析提供了一种新思路.