局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性(由于原材料波动或过程动态特性波动等),基于全局学习的建模方法(如最小二乘支持向量机回归,LSSVR)建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR(local LSSVR,LLSSVR)的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。

局部最小二乘法校正中药指纹图谱信号的组分保留时间漂移

提出和实现了采用局部最小二乘法对中药指纹图谱中的组分保留时间漂移进行校正的方法。首先介绍了标准最小二乘法的算法原理,针对标准最小二乘法直线拟合在处理指纹图谱数据时的局限性,根据中药指纹图谱信号数据的特点,提出对组分复杂的中药指纹图谱信号采用局部最小二乘法实现对组分保留时间漂移的校正。对3组田基黄中药样本的指纹图谱信号采用局部最小二乘法进行处理,从校正前后相似度结果的对比可知,校正后的相似度均有不同程度的提高,证明文中所提方法的可行性和优越性。

基于局部最小二乘支持向量机的音频频带扩展方法

在网络传输过程中宽带音频会由于高频信息的缺失导致音频质量下降,因此,本文提出了一种基于局部最小二乘支持向量机的宽带向超宽带音频频带扩展方法.根据音频频域序列的非线性特性,本文采用相空间重构和局部最小二乘支持向量机对音频信号的高频频谱细节进行预测,并结合高斯混合模型对高频子带能量进行估计,最后经过高频频谱包络调整,所提方法能够有效地恢复7k Hz^14k Hz频率范围内的高频成分.主客观测试结果表明,该方法改善了宽带音频的听觉质量,其性能优于参考音频频带扩展方法.

一类变系数模型局部最小二乘估计的重对数律

考虑一类变系数模型,保持第p项系数函数不动而对前p-1项系数函数在t0点展开,得到了部分线性模型的近似形式。基于半参数回归模型的方法,建立了局部最小二乘估计量,在一定合适的条件下讨论了估计量收敛到真实参数速度的重对数律。

局部偏最小二乘回归建模参数对近红外检测结果的影响研究

报道了在局部加权（LWR）回归方法基础上，自主改进的更简单、实用的局部偏最小二乘回归（LPLS）的原理和方法。并以云南优质烤烟为实验材料，在国产光栅漫反射型近红外仪器上，研究了主成分数以及局部建模样品数对检测结果的影响。结果表明：应用交叉验证方法推荐的尼古丁组分模型主成分数并不是最优，通过适当降低主成分数可提高检测效果；局部建模样品数为30～50个时总糖、总氮、尼古丁预测准确度的提高幅度可分别达7％，14％，10％以上。该方法能有效提高近红外数学模型的预测准确度，是建立具有高度适应性近红外数学模型的有效方法。

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

局部偏最小二乘法结合可见-近红外光谱预测猪肉挥发性盐基氮

以两个批次的猪肉为实验样品,开展局部偏最小二乘法结合双波段可见-近红外光谱预测挥发性盐基氮的研究,以改善模型预测不同批次样品时效果不佳的问题。提出基于距离、信息测度和投影的相似性度量方法,通过对欧式距离和光谱信息散度-光谱角(spectral information divergence-spectral angle,SID-SAM)进行加权求和,构建评价不同样品相似性的相似度函数,定义相似度因子(SM),通过最小化代价函数确定建立局部模型的邻域窗口。以第1批样品为建模基础集,通过对欧式距离和SID-SAM的权重及SM进行参数寻优,针对第2批次中每个样品建立局部偏最小二乘模型。结果显示,与利用第1批样品建立的模型直接预测第2批样品的结果相比,预测效果有明显提高,相关系数R从0.845 6上升至0.948 1,预测误差从4.581 0 mg/100 g下降至2.650 8 mg/100 g。这表明利用提出的相似度函数和相似度因子,可根据待测样品的光谱特征,实时动态选择相似的局部空间,建立的局部偏最小二乘模型能有效提高对外部验证样品的预测能力。

变权重组合预测模型的局部加权最小二乘解法

随着科学技术的不断进步,预测方法也得到了很大的发展,常见的预测方法就有数十种之多。而组合预测是将不同的预测方法组合起来,综合利用各个方法所提供的信息,其效果往往优于单一的预测方法,故得到了广泛的应用。而基于变系数模型的思想研究了组合预测模型,将变权重的求取转化为变系数模型中系数函数的估计问题,从而可以基于局部加权最小二乘方法求解,利用交叉证实法选取光滑参数。其结果表明所提方法预测精度很高,效果优于其他方法。

基于局部加权偏最小二乘的在线多模型建模

针对田纳西—伊斯曼(Tennessee-Eastman,TE)过程具有的高度非线性、时变及多个操作模式等特征,为在线预测该过程产品流道中各种成分的含量,提出一种基于局部加权偏最小二乘的多模型建模方法。多模型建模方法首先要进行子模型的划分,将TE过程各种操作模式下的训练数据放入不同数据库中,利用贝叶斯分类器对在线测得的数据进行分类;然后采用即时(just-in-time,JIT)建模思想,基于局部加权偏最小二乘建立相应的在线局部模型;最后,将贝叶斯分类器得到的测试数据属于各个数据库的后验概率作为加权系数,对得到的局部模型的预测结果进行融合输出。基于TE化工过程仿真平台,采用该方法来预测产品流道中成分G和H的含量与真值基本一致,证明提出的基于局部加权偏最小二乘的在线多模型建模方法具有良好的预测效果。

加权整体最小二乘法在光学自准直法测量挠曲角中的应用

建立了基于光学自准直法的测量系统,利用该系统提取转台的十字丝坐标,完成了对三维物体的挠曲角测量。首先,采用Sobel提取算子对CCD拍摄到的十字丝图像进行边缘检测。然后,采用了自适应的阈值分割进行直线提取;由于转台上有其它划痕存在,采用局部最小二乘进行十字丝的提取。最后,采用加权整体最小二乘法进行十字丝两条线的直线拟合,联立两方程,得出交点坐标值。结果表明,此方法获取的两直线斜率之积的精度在±1%以内,非常接近十字丝斜率之积的真值(理论真值为-1)。使用徕卡经纬仪(精度为0.5″)的角度值作为真值进行精度标定,测得α的精度为3.59″,β的为3.76″,完全满足系统挠曲角测量的精度要求。

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R2)分别为0.7855、0.9719,预测误差均方根(RMSEP)分别为0.1266、0.0438,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R2分别为0.8864、0.9649,RMSEP分别为0.1148、0.0771,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。

多工况生产过程下的即时学习能耗预测建模方法

针对全局能耗预测模型只适用于部分预测样本且模型计算量大的问题,引入即时学习思想,采用局部加权偏最小二乘法结合能耗模型建立临时局部能耗预测模型;改进粒子群算法的惯性权重,考虑粒子适应度、迭代次数和种群大小对粒子群算法收敛速度和收敛精度的影响,提出一种非线性变化的自适应惯性权重策略,离线计算阶段使用改进的粒子群算法(adaptive PSO,APSO)对历史样本的带宽参数进行寻优,当预测样本到来时在线更新局部模型。考虑多工况生产场景下不同工况样本之间的能耗差异性所导致的预测误差,增加工况相似性度量过程,提出局部加权偏最小二乘算法与K-means算法相结合的APSO-JITL(just-in-time learning)-CLWPLS(cluster locally weighted partial least squares)能耗预测建模方法,在预测时选取同一工况的历史样本来设计预测样本的带宽参数。通过仿真实验验证了算法有着更高的预测精度且能更好地应对多工况生产场景。

DIC应变测量的局部平滑去噪算法研究

利用计算机生成模拟散斑图,选择数字图像相关DIC的非均匀变形二阶形函数计算Newton-Rapson法求解位移场引入的噪声,分析DIC应变测量计算误差的主要来源;为了提高DIC应变测量精度,基于局部加权回归方法对DIC位移场进行平滑去噪处理,提出了局部平滑去噪与最小二乘拟合的DIC应变测量算法;该方法与其他2种方法的比较以及复杂应变测量的模拟算例表明:局部平滑去噪方法计算编程简便、去噪效果明显、具有较好的适应性,提高了DIC应变测量精度。

资产定价模型中β系数的局部加权估计

在资产定价模型的中,通常采用一般线性回归方法对系数进行估计,但实证数据中,由于资产的期望收益与系数之间未必存在严格的线性关系,往往会导致估计值的不精确。作为对这种估计方法的一种修正,文章利用了局部加权最小二乘估计方法对模型中的系数β进行估计,并对局部权系统的决定问题进行了相关的探讨。由于放松了系数线性性的假定,使得估计值更适应实际数据的变化规律,该方法也为风险管理者提供了一种可供选择且较为实用的数理工具。

基于EM算法的半监督局部加权PLS在线建模方法

针对化工过程采样分析获得的有标签样本数量较少的问题,提出一种基于半监督学习的局部加权偏最小二乘在线软测量建模方法。将过程收集到的有标签及无标签训练样本放入同一数据库中;对于在线测得的新数据点,计算其与数据库中各样本点之间的相似度,将其作为各数据点的权重;建立半监督局部加权偏最小二乘在线软测量模型,并采用EM(Expectation Maximization)算法估计模型的参数,得到模型的在线预测输出。通过对脱丁烷塔过程的仿真研究,验证了所提方法具有良好的预测精度和泛化性能。

紫外分光光度-局部偏最小二乘回归法同时测定三种人造甜味剂

本文报道了一种简便、快速、准确地同时测定3种人造甜味剂安赛蜜、阿斯巴甜和糖精钠的方法。方法基于在p H为3.21的盐酸溶液中对安赛蜜、阿斯巴甜和糖精钠三组分混合溶液进行紫外光度测定,所得重叠光谱数据分别用偏最小二乘回归法（PLSR）、特征峰结合PLSR法和特征峰结合局部偏最小二乘回归法（LPLSR）进行处理。结果表明,选取特征波段的峰值作为自变量,采用4个局部样本做拟合的预报误差最小,总相对偏差仅为3.05%。对果汁样品进行测定,获得了很好的定量分析结果。安赛蜜、阿斯巴甜和糖精钠的定量线性范围分别为1.0～30.0 mg/L、1.0～10.0 mg/L和1.0～10.0 mg/L。

局部加权混合核偏最小二乘算法及其在软测量中的应用

为提高基于核函数的偏最小二乘算法非线性处理能力,削弱软测量模型对异常数据的敏感度,提高模型泛化能力,提出一种用于软测量在线建模的局部加权混合核偏最小二乘算法.该算法以多个具有不同特性的单一核函数构成混合核函数,将原始输入映射到高维特征空间,再采用局部加权学习算法在高维特征空间中计算样本权值,并对核变换后的样本数据进行加权处理,然后采用核函数偏最小二乘算法建立在线局部软测量模型.通过数值仿真和采用来自工业双酚A生产装置的现场数据进行在线软测量建模仿真,结果证明该算法是有效的.

基于多样性加权相似度的集成局部加权偏最小二乘软测量建模

针对传统即时学习软测量方法仅考虑单一的相似度函数,难以有效处理复杂工业过程中的非线性特性,从而导致模型预测性能受限的问题,提出了一种基于多样性加权相似度(DWS)的集成局部加权偏最小二乘(LWPLS)软测量建模方法.首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集;然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性加权相似度函数.在线实施阶段,对于任意的查询样本,基于多样性的相似度指标,可建立一组多样性的LWPLS软测量模型,随后引入集成学习策略实现难测变量的融合预测.在数值例子和脱丁烷塔过程中的应用结果表明了该方法的有效性.

中药色谱指纹图谱组分保留时间漂移的校准

基于光谱相关色谱方法判断复杂中药色谱指纹图谱的组分相关性 ,实现同一中药样本在不同实验条件下所得的色谱指纹图谱的相同组分的色谱保留时间漂移的局部最小二乘校正 ,为合理评价指纹图谱的品质提供较为实用的工具。

基于LLSSVM的MUH高度信息融合技术的研究

应用基于局部最小二乘支持向量机(LLSSVM)的多传感器融合技术实现了高度信息融合技术的研究。针对无法精确测量的微小型无人直升机(MUH)飞行高度问题,用LLSSVM建立了以数据驱动的黑箱模型,并用该多传感器信息融合模型对高度信息进行预测。将基于LSSVM和LLSSVM模型的仿真结果进行对比,结果表明后者效果明显优于前者,说明基于LLSSVM的信息融合模型更为合理有效,解决了LSSVM模型的预测延迟和误差积累放大的问题。