基于ISDAE模型的复杂工业过程运行状态评价方法及应用

工业过程的运行状态评价对保证产品质量及提升企业综合经济效益具有重要意义.针对工业过程中存在强非线性、信息冗余以及不确定性因素影响而难以建立稳健可靠的运行状态评价模型问题,提出一种基于综合经济指标驱动的稀疏降噪自编码器模型(Comprehensive economic index driven sparse denoising autoencoder,ISDAE)的复杂工业过程运行状态评价方法.首先,在SDAE(Sparse denoising autoencoder)模型中引入综合经济指标预测误差项,迫使SDAE学习与综合经济指标相关的数据特征,建立ISDAE特征提取模型.其次,将ISDAE模型所学特征作为输入训练运行状态识别模型,级联特征提取模型和运行状态识别模型并通过微调网络结构参数获得运行状态评价模型.另外,针对非优状态,提出一种基于自编码器贡献图算法的非优因素追溯方法,通过计算变量的贡献率识别非优因素.最后,将所提方法应用于重介质选煤过程,验证所提方法的有效性和实用性.

基于lasso和elastic net的宽度学习系统网络结构稀疏方法

本文提出了一种基于lasso和elastic net的宽度学习系统(BLS)网络结构稀疏方法,将标准BLS目标函数中的L2范数分别替换为lasso和elastic net,利用这两种正则化技术来约束网络输出权重,衡量每个网络节点输出权重对预测的影响程度,将多余的节点进行剔除,提高了网络结构的稀疏性.通过对一些回归数据集进行实验,可以看到本文提出的方法在不损失预测精度的前提下,同时简化了网络结构.

基于Halcon模板匹配优化的指针式仪表识别

基于Halcon模板匹配优化的指针式仪表识别是能够解决仪表表盘在复杂场景中定位问题的重要手段。传统识别方法是通过对表盘最极坐标变换来进行识别,会受到不同场景和拍摄角度对于表盘定位的影响,进而使极坐标变换对结果带来误差。本方法通过模板匹配和仿射变换准确定位仪表表盘,提高了精度,仿真实验表明,本方法相较于传统方法更精确。

基于相关性变量筛选偏最小二乘回归的多维相关时间序列建模方法

针对许多领域中的时间序列存在维数过高以及变量间多重相关性严重等问题,提出一种相关性变量筛选偏最小二乘回归(CVS-PLSR)建模算法.该算法通过引入基于相关性的特征选择(CFS)来获取最优特征子集,进而实现数据降维,并选用偏最小二乘回归法(PLSR)作为建模的核心算法,有效地解决了变量间多重相关性带来的危害.使用矿浆元素品位预测数据对所提算法进行验证,改进的CVS-PLSR算法得到的模型最精简,测试集均方根误差仅为1.6902,预测值与实测值相关性达到了97%以上.通过仿真实验和模型评价指标对比结果可以确定所提算法具有很好的实用性和鲁棒性,所得模型更简化、精度更高.