基于特征子空间虚假邻点判别的软传感器模型变量选择

辅助变量选择技术是软传感器建模过程中降低信息冗余和提高效率的有效方法。提出一种结合偏最小二乘回归法与虚假最近邻法的变量选择法。采用偏最小二乘回归法有效合理地消除因子之间的多重共线性,在一个新的正交空间里,受混沌相空间虚假最近邻点法的启示,通过计算某变量选择前后在特征子空间里的相关性,判断其对主导变量的解释能力,由此进行变量的选择,利用偏最小二乘法得到软测量模型。该方法通过构造的试验和Jolliff变量选择试验作了验证,结果显示该方法有良好的辅助变量选择能力,为软传感器建模的辅助变量选择方法提供了一种新方法。

基于KPCA子空间虚假邻点判别的非线性建模的变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法(Kernel principal components analysis,KPCA)与虚假最近邻点法(False nearest neighbor,FNN)的变量选择法。引入核方法,将非线性原始数据映射到线性空间,再采用主成分分析法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KPCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供一种新方法。

基于特征子空间虚假邻点判别的铝电解槽况诊断模型

造成铝电解异常槽况的因素较多,彼此相关性强,建立槽况诊断模型时计算量巨大。利用核主元分析法虽然可以对非线性数据进行降维,但得到的主元仍然是原始变量在特征空间的线性组合,既无明确的物理含义,又无法对原始特征进行约简达到减少传感器种类的目的。提出一种基于特征子空间虚假邻点判别的槽况诊断方法,首先考察各原始变量置零前后在核空间主元投影上的相似度,根据其对槽况的解释能力进行原始变量选择;再将约简后的原始变量输入概率神经网络,对各类异常槽况进行诊断。通过取自某厂170KA大型预焙槽的268组样本进行检验:在原始特征约简44.4%的情况下分类精度达到95%以上,表明该方法不但可对原始特征进行有效约简,而且槽况分类精度和训练时间均优于同类模型。

一种精简化的球杆系统控制器建模方法

为了模拟人的控制行为,解决复杂控制中行为功能模拟模型的维度灾难问题,以球杆系统为研究对象,设计了精简化的球杆系统控制器模型。该模型采用核主元分析法和虚假最近邻点法,通过重构相空间实现变量选择;同时,利用最小二乘法进行线性回归,拟合从精简的输入空间到输出空间的回归数学模型。试验证明,该控制器的控制算法有效,具有较高的控制精度和稳定性。

基于FNN-UKF神经网络的氧化铝浓度动态预测模型

针对影响氧化铝浓度的因素较多,彼此相关性强,难以建立动态预测模型的问题,提出一种基于FNN-UKF神经网络的动态预测方法。首先考察各原始变量置零前后在特征空间主元投影上的相似度,判断其对氧化铝浓度的解释能力,由此进行原始变量选择;再将约简后的原始变量输入基于UKF算法的神经网络预测模型,通过更新状态估计值和方差矩阵提高模型的泛化能力。对取自某厂160KA大型预焙槽的247组样本数据进行检验:228组样本的预测误差在±1%之内,计算量减少52.07%,表明该方法在保证预测精度的同时,有效降低了模型学习的计算量。

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ICA_FNN的软传感器建模过程原始特征选择

针对软传感器建模过程中辅助变量通常是多因素的混杂信号,在原始特征空间很难进行原始特征约简的问题,提出一种结合独立成分分析(ICA)和虚假最近邻点法(FNN)的原始特征选择法。利用独立成分分析法(ICA)将原始特征空间的混杂信号映射到新的独立特征子空间;然后再利用FNN计算每个原始特征剔除前后在独立特征子空间里的相似性测度,进而判断它对主导变量的影响能力,由此选择出原始特征。仿真结果表明,该方法具有优秀的原始特征选择能力。因此,该研究为选择出软传感器模型的原始特征提供了新方法。

基于SOM特征映射空间相似度判别的软传感器建模变量选择

针对软传感器建模中存在的信息冗余,提出一种基于自组织特征映射神经网络(Self-Organizing Feature Mapping,SOM)的变量选择方法。该方法借助SOM简单快速的特征映射能力对数据进行投影,采用虚假最近邻点法(False Nearest Neighbor,FNN)计算某变量删减前后数据在SOM投影空间的相似度,通过相似度来判断其对主导变量的解释能力,由此进行变量的选择。实验结果表明该方法能有效的进行变量选择,为软传感器建模变量选择提供了一种新思路。