针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了...针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了泡沫浮选矿浆酸碱度的软测量.将不同特性的核函数凸组合以提高模型性能,并采用最近邻山峰聚类算法约简核矩阵,降低计算复杂度,利用偏最小二乘回归提高模型鲁棒性.工业运行数据仿真结果表明,建立的软测量模型能够连续在线检测矿浆的酸碱度,并获得了比标准LSSVR、加权LSSVR及多核LSSVR更高的预测精度,可满足工业要求.展开更多
为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(leas...为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。展开更多
基于到达时间差(Time difference of arrival,TDOA)估计的方法是声源波达方向(Direction of arrival,DOA)估计中的一类重要方法。其中由TDOA到DOA的映射是该类方法的关键步骤。本文提出了一种基于多核聚类最小二乘支持向量回归(Least-sq...基于到达时间差(Time difference of arrival,TDOA)估计的方法是声源波达方向(Direction of arrival,DOA)估计中的一类重要方法。其中由TDOA到DOA的映射是该类方法的关键步骤。本文提出了一种基于多核聚类最小二乘支持向量回归(Least-squares support vector regression,LS-SVR)的TDOA-DOA映射方法,并且分析了其稀疏化处理后的性能。为了提高混响噪声环境下的TDOA-DOA映射性能,本文还给出了一种基于归一化中值滤波的TDOA估计离群值消除方法。仿真结果表明,本文提出的方法要优于现有的最小二乘方法以及单核LS-SVR方法。展开更多
文摘针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了泡沫浮选矿浆酸碱度的软测量.将不同特性的核函数凸组合以提高模型性能,并采用最近邻山峰聚类算法约简核矩阵,降低计算复杂度,利用偏最小二乘回归提高模型鲁棒性.工业运行数据仿真结果表明,建立的软测量模型能够连续在线检测矿浆的酸碱度,并获得了比标准LSSVR、加权LSSVR及多核LSSVR更高的预测精度,可满足工业要求.
文摘为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。
文摘基于到达时间差(Time difference of arrival,TDOA)估计的方法是声源波达方向(Direction of arrival,DOA)估计中的一类重要方法。其中由TDOA到DOA的映射是该类方法的关键步骤。本文提出了一种基于多核聚类最小二乘支持向量回归(Least-squares support vector regression,LS-SVR)的TDOA-DOA映射方法,并且分析了其稀疏化处理后的性能。为了提高混响噪声环境下的TDOA-DOA映射性能,本文还给出了一种基于归一化中值滤波的TDOA估计离群值消除方法。仿真结果表明,本文提出的方法要优于现有的最小二乘方法以及单核LS-SVR方法。
