基于局部模型的多阶段在线产品质量预测

针对间歇过程产品质量离线预测精度不高的问题,提出了一种基于局部模型的多阶段在线预测产品质量方法。利用间歇过程的周期重复性,采用重复因子将间歇过程划分为稳定阶段和过渡阶段。对稳定阶段采用相同相位时间片建立最小二乘支持向量机(LSSVM)模型,过渡阶段采用扩散距离(Diffusion Distance)选取最优子集建立LSSVM模型,使得当前样本的稳定阶段和过渡阶段的属性能分别和历史数据集的稳定阶段和过渡阶段的属性相似,预测出不易测量的产品质量。通过在Pensim仿真平台青霉素发酵过程中的应用表明,与整体离线预测相比,基于局部模型的多阶段在线预测方法有更好的预测性能。

基于遥感数据的空间目标融合预测模型

提出了一种融合预测模型,把基于全局数据的径向基函数、人工神经网络与基于区域数据的空间采样插值相结合,并通过优化权重组合和修正误差,使得预测误差最小化。利用了多角度成像光谱辐射仪MISR,采集了从2002年—2003年美国大陆26个局部区域的辐射数据,对模型进行了2组气溶胶光学厚度的预测实验。地表特征因为反射能力的不同,导致了预测模型的不同复杂度。结果显示,融合模型能显著地减少陆地上的预测均方差。

基于MISR遥感数据的优化融合预测模型

提出了一种新的预测气溶胶光学厚度AOT的优化融合模型，它把基于全局数据的径向基函数神经网络与基于局部区域数据的前向神经网络相结合，并通过优化权重组合，使得预测误差最小化。利用该模型对多角度成像光谱辐射仪MISR所采集的2002年7～9月份的数据进行AOT预测实验。结果显示：对美国陆地上空的大多数轨道，优化融合模型预测准确率明显高于全局模型和局部模型，其总体预测均方差比后二者分别减少了12．9％～24．5％和3．3％～10．5％．这表明优化融合模型是一种更为准确的摩间数据预测方法。

一种改进的极限学习机滑坡预测模型

滑坡是一种可能带来危害的大面积地面运动现象,对滑坡区域的监测和预测是降低滑坡危害的可行方法;为了减少滑坡预测时间,提高预测准确率,本文提出基于改进的极限学习机局部区域滑坡预测模型。通过改进极限学习机算法训练局部区域滑坡模型,使用受限玻尔磁曼机对模型参数进行微调优化模型;采用最小边界矩形对各个实际场景的局部区域滑坡监测点数据进行管理,并应用于局部区域滑坡预测,实验结果表明,该模型能够提高预测准确率和减少预测时间。