为实现钢铁件渗碳层深度的在线电磁无损检测,提出在线最小二乘支持向量机(Online Least Square Support Vector Machine,Online LS-SVM)的建模方法。Online LS-SVM是以增量学习训练SVM,以减量学习减少样本数,实现小样本估计的训练方法...为实现钢铁件渗碳层深度的在线电磁无损检测,提出在线最小二乘支持向量机(Online Least Square Support Vector Machine,Online LS-SVM)的建模方法。Online LS-SVM是以增量学习训练SVM,以减量学习减少样本数,实现小样本估计的训练方法。实验结果表明,Online LS-SVM不仅能实现钢铁件渗碳层深度的在线电磁无损检测,而且具有学习速度快、泛化性能好和对样本依赖程度低的优点。展开更多
针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vecto...针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM)的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.展开更多
针对自动气象站数据采集器温度通道容易受到环境温度影响限制测量精度的问题,对数据采集器进行了温度漂移检测实验并对实验数据进行了误差分析,提出了基于改进自适应遗传算法优化的最小二乘支持向量机(improved adaptive geneticalgorit...针对自动气象站数据采集器温度通道容易受到环境温度影响限制测量精度的问题,对数据采集器进行了温度漂移检测实验并对实验数据进行了误差分析,提出了基于改进自适应遗传算法优化的最小二乘支持向量机(improved adaptive geneticalgorithm least squares support vector machine,IAGA-LSSVM)的温度补偿方法。改进的自适应遗传算法能够对最小二乘支持向量机拟合过程中的关键参数进行调整从而建立最优模型。与传统LS-SVM相比,IAGA-LSSVM对温度数据的建模均方根误差减小了0.007,有效提高了建模的精度。根据建立的最优函数模型对该数据采集器温度通道进行温度补偿结果表明,经该方法补偿后的数据采集器在任何温度环境下的温度测量误差均小于0.03℃,具有更高的测量精度和稳定性,有效提高了自动气象站的温度观测质量。同时,设计开发了温度补偿界面,为自动气象站观测数据校验和实际业务应用奠定了基础。展开更多
基金Supported by the National Creative Research Groups Science Foundation of P.R. China （NCRGSFC： 60421002） and National High Technology Research and Development Program of China （863 Program） （2006AA04 Z182）
文摘为实现钢铁件渗碳层深度的在线电磁无损检测,提出在线最小二乘支持向量机(Online Least Square Support Vector Machine,Online LS-SVM)的建模方法。Online LS-SVM是以增量学习训练SVM,以减量学习减少样本数,实现小样本估计的训练方法。实验结果表明,Online LS-SVM不仅能实现钢铁件渗碳层深度的在线电磁无损检测,而且具有学习速度快、泛化性能好和对样本依赖程度低的优点。
文摘针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM)的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.
文摘针对自动气象站数据采集器温度通道容易受到环境温度影响限制测量精度的问题,对数据采集器进行了温度漂移检测实验并对实验数据进行了误差分析,提出了基于改进自适应遗传算法优化的最小二乘支持向量机(improved adaptive geneticalgorithm least squares support vector machine,IAGA-LSSVM)的温度补偿方法。改进的自适应遗传算法能够对最小二乘支持向量机拟合过程中的关键参数进行调整从而建立最优模型。与传统LS-SVM相比,IAGA-LSSVM对温度数据的建模均方根误差减小了0.007,有效提高了建模的精度。根据建立的最优函数模型对该数据采集器温度通道进行温度补偿结果表明,经该方法补偿后的数据采集器在任何温度环境下的温度测量误差均小于0.03℃,具有更高的测量精度和稳定性,有效提高了自动气象站的温度观测质量。同时,设计开发了温度补偿界面,为自动气象站观测数据校验和实际业务应用奠定了基础。
