期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于潜变量技术的Msi-LSSVM性能评估方法
1
作者
丁亚海
王振雷
王昕
《控制工程》
北大核心
2025年第7期1290-1299,共10页
工业过程数据存在高维度、不平衡等特点,会影响工业过程性能评估精度。针对此问题,提出了基于潜变量技术和粒子群优化(particle swarm optimization,PSO)算法的最小二乘支持向量机(least squares support vector machine,LSSVM)多数据...
工业过程数据存在高维度、不平衡等特点,会影响工业过程性能评估精度。针对此问题,提出了基于潜变量技术和粒子群优化(particle swarm optimization,PSO)算法的最小二乘支持向量机(least squares support vector machine,LSSVM)多数据空间集成模型,用于工业过程性能评估。首先,将采样得到的过程变量数据划分为不同性能等级的数据空间;然后,对不同性能等级的数据空间进行特征映射以提取潜变量,并通过互信息进行潜变量筛选以达到降低数据空间维度的目的;最后,在不同数据空间中建立LSSVM子模型,并利用PSO算法对其进行集成性优化,得到离线模型。离线模型通过计算在线数据与每个性能等级之间的相似度,得到性能评估结果。实验将所提方法应用在乙烯裂解炉运行性能评估的仿真中,仿真结果证明了其有效性。
展开更多
关键词
潜变量技术
多数据空间建模
LSSVM
性能评估
集成性优化
在线阅读
下载PDF
职称材料
潜变量机器学习方法在咖啡NIR定量分析中的应用
2
作者
陈华舟
许丽莉
+1 位作者
乔涵丽
洪绍勇
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021年第5期1441-1445,共5页
采用近红外(NIR)光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机(SVM)和极限学习机(ELM)等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM(LV-SVM)模型和潜变量ELM(LV-ELM)模型,通过调试潜变量个数和机...
采用近红外(NIR)光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机(SVM)和极限学习机(ELM)等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM(LV-SVM)模型和潜变量ELM(LV-ELM)模型,通过调试潜变量个数和机器学习关键参数的联合优选,实现数据降维和机器学习关键参数的同过程优化。运用定标—验证—测试机制,利用定标集样本建立咖啡蛋白质的NIR分析模型,随参数变动形成三维随动优选结构的建模预测结果,结合验证集样本对模型进行联合优选,然后将优化模型应用于测试集样本进行模型评价。LV-SVM建模优选的验证集预测均方根误差为6.797,对应的测试集预测均方根误差为8.384。LV-ELM建模优选的验证集预测均方根误差为6.118,对应的测试集预测均方根误差为7.837。与常规偏最小二乘(PLS)方法相比较,LV-SVM和LV-ELM方法均取得更好的预测结果,验证了潜变量机器学习方法在近红外定量分析中的应用优势,该方法有望应用于不同类型的咖啡各成分含量检测。
展开更多
关键词
NIR光谱
咖啡
蛋白质
SVM
ELM
潜变量技术
在线阅读
下载PDF
职称材料
题名
基于潜变量技术的Msi-LSSVM性能评估方法
1
作者
丁亚海
王振雷
王昕
机构
华东理工大学能源化工过程智能制造教育部重点实验室
上海交通大学电工电子中心
出处
《控制工程》
北大核心
2025年第7期1290-1299,共10页
基金
国家重点研发计划项目(2018YFB1701103)
国家自然科学基金资助项目(61720106008)
+1 种基金
国家杰出青年科学基金资助项目(61925305)
中央高校基本科研业务费专项资金资助项目(222202017006)。
文摘
工业过程数据存在高维度、不平衡等特点,会影响工业过程性能评估精度。针对此问题,提出了基于潜变量技术和粒子群优化(particle swarm optimization,PSO)算法的最小二乘支持向量机(least squares support vector machine,LSSVM)多数据空间集成模型,用于工业过程性能评估。首先,将采样得到的过程变量数据划分为不同性能等级的数据空间;然后,对不同性能等级的数据空间进行特征映射以提取潜变量,并通过互信息进行潜变量筛选以达到降低数据空间维度的目的;最后,在不同数据空间中建立LSSVM子模型,并利用PSO算法对其进行集成性优化,得到离线模型。离线模型通过计算在线数据与每个性能等级之间的相似度,得到性能评估结果。实验将所提方法应用在乙烯裂解炉运行性能评估的仿真中,仿真结果证明了其有效性。
关键词
潜变量技术
多数据空间建模
LSSVM
性能评估
集成性优化
Keywords
Latent variable technology
multi-data space modeling
LSSVM
performance evaluation
integrated optimization
分类号
TP17 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
潜变量机器学习方法在咖啡NIR定量分析中的应用
2
作者
陈华舟
许丽莉
乔涵丽
洪绍勇
机构
桂林理工大学理学院
大数据处理与算法技术研究中心(桂林理工大学)
北部湾大学海洋学院
广州华商学院数据科学学院
出处
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021年第5期1441-1445,共5页
基金
国家自然科学基金项目(61505037)
广西自然科学基金项目(2018GXNSFAA050045)
+1 种基金
广东省普通高校青年创新人才类项目(2019KQNCX213)
广东省普通高校创新团队项目(2020WCXTD008)资助。
文摘
采用近红外(NIR)光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机(SVM)和极限学习机(ELM)等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM(LV-SVM)模型和潜变量ELM(LV-ELM)模型,通过调试潜变量个数和机器学习关键参数的联合优选,实现数据降维和机器学习关键参数的同过程优化。运用定标—验证—测试机制,利用定标集样本建立咖啡蛋白质的NIR分析模型,随参数变动形成三维随动优选结构的建模预测结果,结合验证集样本对模型进行联合优选,然后将优化模型应用于测试集样本进行模型评价。LV-SVM建模优选的验证集预测均方根误差为6.797,对应的测试集预测均方根误差为8.384。LV-ELM建模优选的验证集预测均方根误差为6.118,对应的测试集预测均方根误差为7.837。与常规偏最小二乘(PLS)方法相比较,LV-SVM和LV-ELM方法均取得更好的预测结果,验证了潜变量机器学习方法在近红外定量分析中的应用优势,该方法有望应用于不同类型的咖啡各成分含量检测。
关键词
NIR光谱
咖啡
蛋白质
SVM
ELM
潜变量技术
Keywords
NIR spectroscopy
Coffee
Protein
SVM
ELM
Latent variable technique
分类号
O433.3 [机械工程—光学工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于潜变量技术的Msi-LSSVM性能评估方法
丁亚海
王振雷
王昕
《控制工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
潜变量机器学习方法在咖啡NIR定量分析中的应用
陈华舟
许丽莉
乔涵丽
洪绍勇
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
