基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法

生产过程通常具有大时滞、非线性、多变量耦合等特点,往往难以建立准确的时间序列预测模型。基于生产过程历史数据,提出了一种采用关联变量时滞分析卷积神经网络(CNN)的生产过程时间序列预测方法,首先选取合适的关联变量并对关联变量与输出进行时滞分析,然后利用时滞分析结果确定关联变量时间窗的大小,最后建立合适的CNN模型对时间序列进行预测。某反应精馏过程实验表明,此方法对于大时滞系统的长步长时间序列预测具有较好的准确性。

关联变量分组的分解多目标进化算法及其应用

含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一.为有效解决大变量优化问题,设计了关联变量识别和分组策略,并结合MOEA/D算法,提出一种关联变量分组的分解多目标进化算法(MOEAD/IVG).该算法通过识别决策变量间内在的关联信息来把关联变量分配到同组中,从而将复杂高维变量的优化问题分解为简单低维的子问题来分组优化.算法通过增加关联变量分配到同组中的概率以尽可能地保留变量间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的Pareto最优解集.将该算法应用于通信系统中用户功率优化控制的工程问题,仿真实验结果表明了MOEAD/IVG算法的有效性,无论是求解精度还是运行效率,整体上都优于其他的多目标进化算法RVEA、MOEA/D、MOPSO和NSGA-Ⅱ.

关联变量分组的分解多目标进化算法研究

含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一。在解决大规模变量问题时,目前的进化算法并没有寻找决策变量之间的关联信息,而都只是将所有变量视为一个整体来进行优化。但随着优化问题中决策变量的增多,"变量维度"成为瓶颈,从而影响算法的性能。针对上述问题,提出关联变量分组策略,通过识别决策变量间内在的关联信息把关联变量分配到同组中,将复杂高维变量的优化问题分解为简单低维的子问题来求解。该策略通过增加关联变量分配到同组中的概率来使算法尽可能地保留变量之间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的Pareto最优解集。将该算法在标准测试函数上进行变量扩展后再进行仿真对比实验,采用性能指标对算法的收敛性和多样性进行对比分析。实验结果表明,该算法在解决大规模变量的多目标优化问题中,随着决策变量维度的增加,比经典的多目标进化算法NSGA-II、MOEA/D以及RVEA具有更佳的收敛和更好的分布性能,所求得的Pareto解集质量更高。

基于子系统关联变量轮换的大系统在线协调优化

化工过程复杂大系统的在线优化过程中,存在流程前后的关联导致优化时间过长或得不到优化解的问题,需要按子系统优化并协调的优化方法来解决,而协调优化方法存在关联变量寻优方向不一致的问题。提出了一种基于子系统间关联变量轮换思想的分解协调优化方法,对大系统分解得到的子系统以轮换的方式进行优化,子系统中包含的多个优化问题分别在固定关联变量优化独立变量和固定独立变量优化关联变量的条件下求解,此轮换过程迭代进行,直至满足优化终止条件。将提出的方法应用在催化裂化装置仿真实例中与整体优化方法的结果作比较,证明了方法的有效性。最后,将基于关联变量轮换的协调优化方法应用在化工过程的在线优化中,结果表明本方法在在线优化应用中是可行的。

关联变量法在多目标梯级水库群优化调度中的应用

本文应用系统分析的理论及方法,建立了一个多目标梯级水库群优化调度的动态规划模型。为避免在系统方程不可逆的情形下寻优时的内插,在模型中引入了“平衡变量”,从而使一个比较复杂的多维状态、多维决策问题,通过仅离散“关联变量”而建立起来的具有“优先权”结构的动态规划模型而变得相对容易起来,为解决此类问题提供了一种切实可行的方法。将该方法应用于湖北省随州市封江口水库群的优化调度,得到了满意的结果。

路径敏感的源码关联变量模式挖掘及缺陷检测

大量而广泛存在的源码系统使得软件源码的安全问题日益重要.文中在大型源码系统中采取路径敏感的方式挖掘关联变量访问规则,并自动检测系统中因不一致访问关联变量引发的源码缺陷.通过结合程序源码的逻辑信息及路径敏感信息,挖掘出其中的源码关联变量,避免路径非敏感方法带来的错误.对路径敏感方法挖掘源码关联变量中面临的主要挑战:路径权重不均、路径爆炸问题,提出较高效的解决办法.在Linux源码系统中验证方法的正确性和高效性,实验结果表明该方法可高效、准确提取模式.

输入变量关联约束对约束优化控制的影响特性分析

过程工业控制中除了存在常见的输入变量和输出变量幅值高低限约束,由于工艺或者控制的需要也可能具有关于输入变量线性函数的关联约束.不同约束条件之间的矛盾可能会造成约束条件无法全部满足,失去了实施预测控制的基础.从凸体顶点角度,将具有输入关联约束的约束优化控制的可行性判定转化为凸多面集是否非空的问题.为保证具有输入关联约束预测控制的有效实施,本文将输入关联约束纳入到预测控制控制律的求解当中.基于Newton控制框架,考虑具有输入关联约束条件下,得到基于区间控制思想的预测控制律的解析表达式,从而分析输入关联约束条件对控制的影响.通过典型系统模型的控制仿真实验,验证以上方法的有效性.

基于灰色加性语言变量和灰色关联分析的网络安全风险评估方法

提出一种基于灰色加性语言变量和灰色关联分析的网络安全多人评估模型。首先在灰色模糊数中将语言变量融入其模部形成灰色语言变量,并界定灰色加性语言变量间的运算法则及其距离公式,在此基础上利用灰色关联分析构建网络安全多人评估模型。仿真示例验证了模型的可行性。

多维变量对机械加工误差影响系统分析

针对加工零件传统单一变量对加工误差统计分析,不能解决多关联变量之间的关系对加工误差的影响问题,提出一种多维随机变量的机械加工误差分析系统。通过分析加工零件的关联尺寸,用Matlab建立加工误差的分布规律图,分析产生有效加工误差的概率;用统计产品和服务解决方案(statistical product and service solution,SPSS)对测量出的关联尺寸组进行Q型聚类分析,分析加工误差易发生段;用3维点图法分析关联尺寸产生的系统误差和随机误差;建立环形轴类零件的加工误差系统分析模型。结果表明,该分析系统能提高机械加工误差分析的精确度。

Phanerochaete chrysosporium降解碳质金矿中元素碳高关联度变量的筛选

采用Plackett-Burman设计法对Phanerochaete chrysosporium降解碳质金矿中元素碳的高关联度变量进行筛选。通过前期的单因素试验确定影响真菌降解碳质物的8个变量,分别为愈创木酚浓度、糊精浓度、吐温-80浓度、草酸浓度、过氧化氢浓度、矿浆浓度、真菌浓度和作用时间。通过两水平的Plackett-Burman设计法确定影响真菌降解元素碳的高关联度变量,分别为愈创木酚浓度、草酸浓度和矿浆浓度。愈创木酚是一种诱导剂。低浓度时,愈创木酚通过提高酶活性和诱导一些酶产生,促进元素碳的降解。高浓度时,酶产生和酶活性受抑制,不利于元素碳的降解。草酸通过调节降解体系的p H值影响菌体生长及酶活性。矿浆浓度会影响元素碳和真菌的有效接触面积以及降解体系的剪切力和传质效率。

系统变量关联测度及在工业过程控制结构选择中的应用

讨论了工业过程控制结构选择的关联测度法．通过对工业过程典型的动态特性分析，引入了变量结构关联和能量关联的概念，提出了２种关联测度作为控制结构评价和选择的准则，并给出控制结构选择的关联测度法．应用实例说明了该方法的有效性．

二维混合关联及算法

为了研究两个不同类型随机变量的关联及算法,提出了二维混合关联和二维混合单关联的概念,以及二维混合关联的两个基本模型。建构了二维混合单关联的两个基本模型。建构了二维混合型随机变量,给出了二维混合密度的精确定义,推出了求解关联变量自身分布的算法,对于关联模型Y(X),Y的边缘密度为pY(y)=∑kp(xk,y),y∈R,对于关联模型X(Y),X的边缘分布列为pX(xk)=∫Rp(xk,y)dy,k=1,2,…。再利用重期望公式,推出求解了关联变量自身分布的数学期望的简化算式。

少肌症相关表型单变量与双变量GWAS分析比较

目的:探讨少肌症主要表型瘦体重(Lean body mass,LBM)和初潮年龄(Age at menarche,AAM)潜在的多微效基因。方法:随机选择白种人女性1 692作为研究样本,随机选择中国女性801名作为验证样本。采用Affymetrix公司的Genome-Wide Human SNP Array 6.0芯片套装,对研究样本和验证样本的909、622 SNP进行基因分型,然后对四肢LBM和AAM进行双变量全基因组关联分析。结果:研究发现双变量GWAS鉴定的SNP rs1860547和rs11030746在双变量GWA分析中全基因组水平非常显著,经过验证P<0.05,在SNP rs1860547上游发现对LBM和AAM具有重要影响的KCNA1和KCNA5基因,在SNP rs11030746下游发现KCNA4基因。单变量GWAS鉴定的SNP rs1860547和rs11030746全基因组水平非常显著,经过验证P<0.05,在SNP rs1860547上游发现对LBM具有重要影响的KCNA1和KCNA5基因,在SNP rs11030746下游发现KCNA4基因。结论:白种人女性中KCNA1、KCNA4、KCNA5基因可能是LBM和AAM密切相关的多微效基因。

中国和美国部分人群瘦体重与初潮年龄单变量GWAS分析鉴定出KCNA基因

目的探讨少肌症主要表型瘦体重(lean body mass,LBM)和初潮年龄(age at menarche,AAM)潜在的多微效基因。方法选择白种人女性1692名作为研究样本,选择中国女性801名作为验证样本。采用Affymetrix公司的Genome-Wide Human SNP Array 6.0芯片套装,对研究样本和验证样本的909622单核苷酸多态性(single Nucleotide Polymorphism,SNP)进行基因分型,然后对四肢LBM和AAM进行单变量全基因组关联分析。结果研究发现单变量全基因组关联研究(genome wide association study,GWAS)鉴定的SNP rs1860547和rs11030746全基因组水平非常显著,经过验证P值小于0.05,在SNP rs1860547上游发现对LBM具有重要影响的KCNA1和KCNA5基因,在SNP rs11030746下游发现KCNA4基因。结论白种人女性中钾电压阀门通道,混合器相关亚家族(KCNA)1、KCNA4、KCNA5基因可能是与LBM密切相关的多微效基因。

家庭教育投入结构与代际人力资本成长

人力资本理论经典文献在有关子女成长教育的模型与讨论中,将父母的人力资本设为子女初始赋的关联变量。随着时间的推移,这种天生的赋在环境影响下成长形成的能力是遗传的结果。传统设定会使得人力资本的代际弹性被高估,子女遗传继承父母的大部分基因,在环境的影响下会以性状、技能和能力等形式显露出来。

基于深度强化学习驱动藤Copula方法的农地经营权抵押贷款风险变量关联结构分析

控制风险是发挥金融核心作用、有效服务实体经济高质量发展的关键,而影响金融风险的特征变量间的关联关系分析是风险溯源和防控的基础.农地经营权抵押贷款作为农村金融的改革创新,研究其违约风险特征变量关联结构对有效降低风险、助力更大范围内推行金融创新、破解农民贷款“风控难”的问题具有重要意义.然而,农地经营权抵押贷款的风险影响因素多变,且其特征变量之间的关联结构组合具有高维复杂性,因此需要一种有效的建模方法.本文提出了一种基于藤copula中C-vine copula函数的深度强化学习驱动算法框架,针对农地经营权抵押贷款风险影响多变量关联结构组合的高维复杂性,实现自动化变量关联结构建模.在此模型中,C-vine copula函数采用二元函数组合,能够方便直观地描述变量间的结构关联.而深度强化学习因具备突出的非线性拟合与高维空间表征能力,在探索尝试中自动学习,在复杂高维度的变量结构关联建模方面发挥关键作用.同时,该方法根据数据分布选择各层级变量及copula函数种类,能有效提升度量模型的效果.研究结果表明,在农地经营权抵押贷款债务违约影响变量的关联结构中,变量生成顺序依次为:贷款金额、贷款利率、抵押土地面积、家庭支出水平、主要农作物产值、家庭收入水平、年龄、受教育年限以及村庄到最近土地交易中心距离.我们还发现,关注变量间尾部的依赖关系对于风险全面分析与有效防范至关重要.本文提出的方法为农地经营权抵押贷款关联变量结构建模提供了支撑,对有效控制农村金融债务违约风险具有重要意义.

基于线性组合的风电机组风速软测量方法

针对风电机组来流风速不易直接测量的现状,文章提出了基于BP神经网络与最小二乘支持向量机线性组合的风电机组风速软测量方法。首先,分析影响风电机组来流风速的各种因素,寻找与其有关联的直接或间接可测变量;其次,对传统的BP神经网络和最小二乘支持向量机风速软测量模型做一些改进,主要是增加输入变量维数;然后根据均方误差最小原则,合理分配权重,建立基于BP神经网络与最小二乘支持向量机的线性组合模型。最后通过现场实测来流风速对组合风速软测量模型的有效性和准确性进行验证,并与传统的BP神经网络和最小二乘支持向量机风速软测量模型输出结果对比分析,得到提出模型具有更高的测量精度。

一种通用远程监控软件的设计与实现

监控软件是监控系统的指挥中心,在自动化系统中具有十分重要的作用,针对常用商业监控软件相对中小企业而言的功能过剩、成本高、浪费大等缺点,讨论了远程监控软件通用化设计过程中的一些不确定和不稳定的因素,提出了基于面向对象技术的软件内核解决方案和设计方法,详细分析了软件内核设计中现场监视对象和监视画面图形对象的关联设计技术、动态图形解释技术,并给出了这些关键技术的实现方法;所设计的软件已经投入实际使用,可以满足中小企业的远程监控需求。

基于改进鱼群优化支持向量机的变压器绕组热点温度预测

为了克服传统人工鱼群算法存在的速度慢、易陷入局部最优等缺点,引入了可变视野、变化步长、禁忌表及清除机制改进人工鱼群算法,通过改进人工鱼群算法对支持向量机模型中的惩罚变量C和RBF核参数G进行了优化。根据某市110kV变压器绕组热点温度实际运行数据,选取关联变量,确定训练集和测试集,建立了基于改进人工鱼群优化SVM的变压器绕组热点温度预测模型,通过与其他方法进行对比,验证了该预测模型具有更优的预测能力,预测效果较理想。

基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于多变量关联向量机(MVRVM)回归和关联向量机二叉树分类的气动执行器故障诊断方法,该方法利用多变量关联向量机回归建立气动执行器的正常模型,然后将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联向量机二叉树多分类机,诊断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于RVM一对一分类的故障诊断方法进行了比较,结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。