基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型

为解决水质预测传统方法精度低、鲁棒性差等问题，提出了基于主成分分析（PCA）、改进文化鱼群算法（MCAFA）和最小二乘支持向量机（PCA-MCAFA-LSSVM）的养殖水质pH值预测模型。该模型通过主成分分析提取养殖生态环境指标的主成分，降低模型输入向量维数，利用改进文化鱼群算法对最小二乘支持向量机超参数进行组合优化，以自动获取最优超参数建立非线性养殖水质pH值预测模型。应用该模型对宜兴市河蟹养殖某池塘2011年9月1日～9月4日在线监测的水质数据进行了预测分析，试验结果表明：该模型取得较好的预测效果，与分别用蚁群算法或遗传算法优化LSSVM的方法相比，PCA-MCAFA-LSSVM模型有93.05%的测试样本绝对误差小于8%，最大绝对误差仅为11.61%，均方根误差、平均相对误差绝对值和运行时间分别为0.0474、0.0041和4.367s，且均优于其他预测方法。PCA-MCAFA-LSSVM算法不仅计算速度快、测精度高，还能够为河蟹养殖水质调控管理提供决策依据。

基于改进的偏最小二乘回归的酸雨pH值预测

酸雨pH值受到酸性离子[SO42-]、[NO3-]和碱性离子[Ca2+]、[NH4+]等的影响。这些影响因素之间存在多重相关性。用一般最小二乘回归分析预测pH值,参数估计存在很大的误差且物理意义明显不足。应用偏最小二乘回归技术建立pH值预测模型,克服了自变量之间多重相关性的问题,因而更具有先进性,计算结果更为可靠,而改进的偏最小二乘回归则从预测角度对偏最小二乘回归模型进行了改进。以我国17个城市pH值预测为例,说明了改进的偏最小二乘回归法比普通偏最小二乘回归法效果好。

IEA-PPR用于降水的pH值预测模型构建

The main idea and algorithm of the projection pursuit regression(PPR)based on immune evolutionary algorithm(IEA)are introduced to study the data of the Dongguan’s precipitation of 2003.The model of PPR was built to predict the pH value in precipitation.The result shows this method is steady and has good prediction precision,and has a better prediction result than that of MLR.

基于Boruta-支持向量回归的安徽省土壤pH值预测制图

以安徽省为研究区域,将Boruta算法用于特征筛选,选择最优变量组合输入支持向量回归(SVR)模型,经参数优化和核函数对比后,选择最优的SVR预测模型进行土壤pH值空间分布制图。结果表明:1)使用Boruta算法筛选后的特征变量建模优于全部变量建模;特征变量重要性分析表明,年均降水(MAP)是影响安徽省土壤pH值的最重要因素,多尺度山谷平坦指数(MrVBF)、多尺度山脊平坦指数(MrRTF)和年均温(MAT)等特征变量均对土壤pH值有较重要的影响。2)选择径向基函数(RBF)作为核函数建立SVR模型进行土壤pH值预测最为合理;参数C=1,γ=0.125时,SVR模型精度最高,可以解释土壤pH值变异的74%,验证集R^2为0.62。3)土壤pH值预测制图结果表明,安徽省土壤pH值空间分布呈由北至南逐渐降低的趋势,符合“南酸北碱”特征,且预测制图的统计结果与样本点的统计结果基本一致。将Boruta算法与SVR模型结合可以提高土壤pH值的预测制图精度,且模型的泛化能力较强。

基于图像特征的锑浮选矿浆pH值预测控制

适宜的矿浆pH值是泡沫浮选高效生产的关键.针对浮选矿浆pH值无法在线检测和控制滞后的问题,提取pH关联泡沫表面敏感特征,建立基于仿射传播聚类的多模型最小二乘支持向量机软测量模型,提出一种基于差分进化的在线支持向量回归pH值预测控制方法,离线建立和在线校正pH值预测模型,采用基于差分进化优化方法求解预测控制决策变量,从而实现pH值实时控制.金锑浮选工业数据表明,所提出的控制策略稳定了矿浆pH值,减少了药剂消耗.

神经网络模型在预测土壤pH值中的应用研究

该文通过对西藏察雅县 10 5层土样资料 (1988年 )建立CaCO3-pH神经网络模型 ,与刘世全等所做的回归模型在拟合精度和预测性能方面作了比较 ,结果显示 ,BP网络在拟合性能方面不亚于回归方法 ,在预测性能上要优于回归方法。该文对将神经网络引入土壤环境系统的研究中作了有意义的尝试 ;所建立CaCO3-pH间的关系模型 ,是研究污染物在土壤中的降解和转化的重要基础 ,对评价周边环境因素对土壤的综合作用也有重要意义。本文的结论说明 ,神经网络对于研究土壤系统的目标因子和相应的影响因子间的关系方面 ,是较为适用的数学手段。

基于LSTM的湿法烟气脱硫浆液pH值建模

针对燃煤电厂湿式石灰石-石膏湿法烟气脱硫(WFGD)过程中浆液pH值测量时间长,不利于WFGD作业的问题,建立高精度的浆液pH值模型。基于深度学习的框架,利用长短期记忆神经网络(LSTM)算法对时间序列处理上的优越性进行建模,该模型具有良好的精确度和泛化能力。将燃煤机组实际运行数据中与浆液pH值变化相关的变量作为模型的辅助变量,建立基于LSTM神经网络的浆液pH值预测模型。对模型进行仿真验证,并分别与BP神经网络模型和最小二乘支持向量机(LSSVM)模型比较,结果表明LSTM神经网络模型的预测精度最高,验证了LSTM神经网络在工业建模中的优良性能。