| 基于改进最小二乘支持向量机的颗粒粒度软测量研究 |
| 来源：一起赢论文网 日期：2013-06-02 浏览数：3816 【 字体： 大 中 小 大 中 小 大 中 小 】 |
|
基于改进最小二乘支持向量机的颗粒粒度软测量研究 摘要 本文在介绍了颗粒粒度测量方法及软测量的研究现状的基础上,针对颗粒粒度在线测量存在的一系列的问题,提出了基于改进最小二乘支持向量回归机的软测量方法,本文研究的内容主要包括: 1、介绍了标准粒子群算法,重点研究了对标准粒子群算法的改进。粒子群算法改进从两个方面进行,一方面是将平均最优位置引入到速度公式中,另一方面对平均最优位置引入小波变异,实验结果表明改进后的粒子群算法搜索精度和寻优能力都有提高。此外,分析介绍了量子粒子群算法,并提出基于小波变异的量子粒子群算法,通过测试函数实验表明,引入小波变异的量子粒子群的性能有很大提高。 2、介绍了支持向量回归机算法,重点研究了最小二乘支持向量回归机,并将混合核函数引入到最小二乘支持向量回归机中。研究了支持向量回归机模型参数对支持向量回归机性能的影响,重点研究了基于改进量子粒子群算法优化最小二乘支持向量机参数的方法。将提出的改进量子粒子群优化最小二乘支持向量回归机参数的方法进行非线性函数验证以及对两组数据集进行验证,实验结果效果较好。 3、将提出的改进的支持向量回归机算法应用于实际生产过程的铝带坯品粒度软测量建模中。结果表明,本文提出的基于改进量子粒子群的最小二乘支持向量机的颗粒粒度软测量预测精度较高,具有更好的模型优化效果,说明了本文提出的建模方法的可行性和优越性。 关键词:粒子群算法;量子粒子群算法;支持向量回归机;混合核函数;软测量;颗粒粒度 目录第1章绪论 1.1课题背景及研究意义 1.2颗粒粒度检测方法 1.2.1 离线颗粒粒度检测方法 1.2.2 在线颗粒粒度检测方法 1.3颗粒粒度软测量技术概述 1.3.1 软测量建模方法 1.3.2 国内外粒度软测量研究现状 1.4 论文结构及内容安排 第2章混合核支持向量机回归算法 2.1 支持向量回归机 2.1.1 线性SVM回归机 2.1.2 非线性SVM回归机 2.2 核函数 2.3 混合核函数 2.4 最小二乘支持向量机 2.4.1 最小二乘支持向量机介绍 2.4.2 最小二乘支持向量机应用 第3章基于小波变异的粒子群算法 3.1粒子群算法 3.2改进粒子群算法 3.2.1引进平均最优位置的PSO算法(MPSO) 3.2.2基于小波变异的改进PSO算法(WMPSO) 3.2.3改进粒子群算法仿真及性能测试 3.4量子粒子群算法 3.4.1改进量子粒子群算法 3.4.2改进量子粒子群算法仿真及性能测试 3.5 小结 第4章基于改进量子粒子群算法的支持向量机参数优化 4.1回归模型参数分析 4.1.1 不敏感系数s 4.1.2 惩罚因子C 4.1.3 核参数 4.2 LS-SVR模型参数的优化方法 4.2.1 交叉验证法 4.2.2 网格搜索法 4.2.3 LS-SVR参数优化新思路 4.3 基于WQPSO的LS-SVR的参数优化 4.4非线性函数性能验证 4.5实验数据性能验证 第5章基于改进的支持向量机的颗粒粒度软测量建模 5.1颗粒粒度软测量辅助变量的选择 5.2数据采集及预处理 5.3基于WQPSO-LSSVR建立颗粒粒度软测量模型 5.4 小结 第6章总结与展望 6.1 本文的工作总结 6.1.1 本文所做的主要工作 6.1.2 本文创新点 6.2工作展望 参考文献 致谢 第1章绪论 1.1课题背景及研究意义 工业生产的最终目的是为了得到合格的产品,为了对生产产品的质量进行良好的控制,就必须对与生产过程中与之关系相关的变量进行检测[1】。在进行工业控制时,一般存在这样一类的变量:它们与产品的质量关系密切,需要对它们控制严格,但因为经济或技术的缘故,在线测量比较困难,分析只能通过离线进行化验分析。 但是离线化验分析的周期长,满足不了工业过程的实时控制和优化操作。解决这类工业过程变量的测量问题,一般有以下两种方法:一种是运用传统的方法直接对主变量测量,利用开发的在线过程测量仪表对过程变量直接进行在线测量,但是在线测量仪表存在价格昂贵,维护复杂、测量周期较长,运行不稳定等问题。另一种是间接测量的方法,利用测量与主导变量相关的易于获取信息的其它变量,通过计算方法估计出它们之间的数学关系间接得出主导变量的估计值,这就是软测量技术,软测量主要是通过软件来实现的,具有成本低、灵活、易于实现等特点[2]。但是在实际的工业生产中由于存在大量的非线性、时变和其它不确定的因素,传统的软测量方法未必能得到良好的效果。近些年来,人工智能技术的快速发展为软测量技术的研究提供了新的方法。其中,基于支持向量机的软测量技术研究得到迅速的发展。支持向量机是一种新的学习方法,建立在统计学习理论的基础上,根据结构风险最小化原则,在模型复杂度和学习能力之间寻求最佳折衷,得到最好的推广能力。支持向量机是解决一个凸二次优化问题,它能够保证找到的极值解就是全局最优解,能够较好的解决小样本、非线性和高维问题,在针对复杂的非线性工业生产的软测量技术中占有重要地位。 颗粒粒度的测量就是测定粒度的分布或粒度的粒径,是产品质量的一个重要指标,是环保、矿藏、粉末冶金、粉体工业等方面非常重要的研究课题。但目前在实际生产过程中一般只是对颗粒粒度进行离线测试,而没有实现在线的化验,造成这种状况有以下几种原因:一是已有的颗粒粒度的分析仪表价格昂贵,维修复杂,非一般的制造厂所能承受,二是已有的颗粒粒度的分析仪表检测周期长,不能满足实时控制。所以,为了控制生产成本及符合生产需要软测量技术开辟出一条在线颗粒粒度检测的新途径。 相对于目前一些粒度检测方法來说,利用软测量技术进行粒度检测具有以下优点:设备维护简单,大部分检测过程都以软件形式以计算完成,只需少量传感器测定部分辅助变量;价格相对比较便宜,为企业节省购买昂贵分析仪表的资金,降低了生产成本;检测速度快,能够满足自动控制策略的实时性要求。 1.2颗粒粒度检测方法 粒度(grain size)是颗粒大小的总体描述,一般用毫米或微米表示,对于球形颗粒粒度通常用直径表示,立方体颗粒的粒度通常用边长表示,对于不规则的颗粒可将与颗粒有相同行为的某一球体直径作为该颗粒的等效直径[3]。颗粒粒度检测的方法一般可分为两类:离线颗粒粒度检测和在线颗粒粒度检测。 1.2.1离线颗粒粒度检测方法离线颗粒粒度检测方法主要有三种方法:蹄析法、显微镜法和水析法。 (1)蹄析法蹄析法[4]是最简单最快捷的测量粒度分布的方法,它的应用最广,使用最早。它是利用一系列不同大小的蹄孔对颗粒进行蹄选,通常使用的蹄子是用金属丝编织的,蹄孔为正方形,一般应用的最小蹄孔是44微米。蹄析法成本低,设备简易,操作简单,但方法粗糙,重现性差,不能对较细颗粒及团聚性强的物料蹄分,适合对大颗粒蹄选,它以手工操作为主,效率比较低,一般用于对原料分选和细粉前的处理。 (2)显微镜分析法显微镜分析法[4]是唯一的直观的检测方法,利用显微镜目镜测微尺对颗粒尺寸进行检测。为了保证该方法分析的准确度,对不同颗粒逐个测定的工作量很大,一般需要对几千个粒子进行测定,并且制光片所需要的试样量比较少,取样十分困难,此外视野的选择方法、焦距的限制以及操作者的疲劳等都对测量有影响。采用显微镜分析法,制备测试样本很复杂,耗费时间长,范围较窄。它的特点一是直观,可以直接观察到颗粒的形态大小及分布情况,二是利用显微镜的正交偏光可以对混合物进行有选择的测定,三是由于样品较少,不具备代表性,四是它对经验要求较高对测试人员要求也高。 (3)水析法颗粒受沉降力场影响在介质中移动速度与颗粒的大小有关,斯托克曾求出球形颗粒的移动速度与颗粒大小之间的关系。沉降分析法运用不同大小的颗粒在力场中沉降速度不同这一原理对颗粒粒度进行分析,其中常用的沉降力场有重力场和离心力场。沉降分析法实验装置简单,测量范围宽,但是颗粒物质易团聚,需要对颗粒进行分散预处理。 1.2.2在线颗粒粒度检测方法随着检测技术的不断更新、生产规模的不断扩大、工业自动化技术的不断发展,离线粒度检测方法越来越不能满足工业现场的实际需求,在线的对颗粒粒度进行实时检测的技术得到不断的发展。上世纪90年代以来,国内外开发了不少的在线颗粒粒度检测仪表,其中应用较为广泛的有超声波粒度仪、激光粒度仪和基于电感应法的粒度仪。 (1)超声波粒度仪超声的波声强大,传播的方向性好,它以近似直线的方式传播,可以产生反射、折射和衍射等,同时它还可以被聚焦。超声波在传播过程中,它的振幅随被测介质中颗粒 的多少及颗粒的大小的变换而变化,因此只需检测超声波穿过被测介质时的衰减量就可以得到被测介质的粒度。超声波粒度仪的特点是对工作环境和传感器的要求较高,在测量前需要对介质进行预处理,而且它对传感器的要求条件较高,需具有全密封、高透声、耐磨损腐烛的特点。 (2)激光粒度仪激光粒度仪是一种快速检测粒度的方法,它的设计依据夫玻跟费小圆屏衍射理论,具有检测速度快、操作简单、人为误差小、精度高、重复性好等特点。激光粒度仪由激光源、光电转换系统、超生分散系统和单片机系统组成。激光粒度仪的测量原理[5]如下:激光源发出的激光经扩束-准直系统之后以平行光照射到有待测颗粒的样品窗上。经超生分散的样品流过样品窗时,测量区内的待测颗粒群在激光的照射下产生散射。散射光的强度和空间分布与被测颗粒群的大小有关系,傅立叶透镜接收散射光,环形的光电探测器接收颗粒群的散射谱,接着经信号处理和A/D转换后送到单片机系统,单片机系统将采到的数据进行分析与计算,根据夫玻和弗衍射理论对数据进行处理,显示颗粒大小的统计数据和分布曲线。 (3)基于电感应法的粒度仪电感应法[6]也被称为库尔特方法,是一种经典的颗粒粒度分析方法,它不受颜色、材质、折射率、光学特性和结构形貌等的影响,可以用来测量大多数类型的颗粒粒度。电感应法粒度仪的原理:稀释后的被测悬浮颗粒放进电解液中,颗粒在电场的引导下通过一小孔,在小孔的两边各有一个电击,颗粒通过小孔时电阻瞬时变化导致电流变化产生电脉冲,由于电脉冲的大小与颗粒的大小成正比,从而可以对颗粒粒度颗粒数分布进行测量。对于上面提出的颗粒粒度测量的方法主要存在以下问题:若是通过人工采样对粒度进行离线测量分析,由于人工操作误差较大,客观性差,而且人工化验测量的时间间隔长,不能满足实时控制的需要;若是釆用颗粒粒度的分析仪表进行在线测量,由于颗粒粒度分析仪表价格昂贵,维护复杂,成本太高,很多企业不能承受,而且颗粒粒度的分析仪表检测周期长,其检测值只能对生产起到监测指导的作用,也不能够满足实时的控制的要求。为了降低生产成本以及满足生产需要软测量技术开辟出一条在线颗粒粒度检测的新方法。 1.3颗粒粒度软测量技术概述软测量技术的基本思想[7]是把自动控制理论和生产过程知识结合起来,依据某种最优准则,选择一组与难以直接测量的主导变量有密切关系又容易测量的变量,称其为辅助变量,通过构造主导变量和辅助变量之间的数学关系,采用各种计算方法,用计算机软件实现对主导变量的测量或估计,替代了硬件的功能。目前,软测量技术主要应用于实时估计、故障冗余、多路复用跟智能校正等方面,具有投资低、维护简卑等特点。 1.3.1软测量建模方法 1)机理建模机理建模一般是由代数方程组或者微分方程组组成的。从工业过程内在的物理化学出发,通过对象的平衡方程(例如物料、能量、动量等)和化学反应动力学方程、物性参数方程和设备特性方程等,建立主导变量与辅导变量之间的数学模型。机理建模能够充分利用已有的过程知识,由本质看到外部特征,简单便于实际应用,可解释性强,外推能力强,适用范围较广。但机理模型也存在一些缺点,计算量大,收敛速度慢,对于复杂的过程建模较困难,满足不了实际在线的实时估计,在软测量技术的早期阶段研究较多。 2)基于模式识别的软测量建模基于模式识别的软测量建模方法是通过模式识别的方法处理系统的操作数据,从这些数据中提取系统的特征,构建以模式描述分类为基础的模式识别模型,例空间超盒 它与传统的数学模型有所区别,它是一种以系统的输入/输出数据为基础,通过提取系统特征而构成的模式描述模型。它的优点是适用在缺乏系统先验知识的场合,可利用円常操作数据来建立软测量模型[10】。在实际应用中,基于模式识别的软测量建模方法通常与人工神经网络、模糊技术相结合使用。 3)基于人工神经网络的方法人工神经网络是模拟人脑的功能,具有很好的自学习自适应、联想记忆、并行处理能力、快速处理和逼近高度复杂的非线性系统的优点。对于软测量技术应用中系统具有非线性和复杂性建立精度较高有一定困难的估计模型取得了显著的成效。基于人工神经网络的软测量方法近几年来研究越来越多,应用越来越广泛,在复杂的工业过程的动态建模、系统辨识、故障诊断等领域都有很好的应用。文献[11]提出基于径向基的神经网络的气体流量的软测量模型,结果表明模型的算法简单计算量少而且精确度高。文献[12]提出基于一种复合型的神经网络的火电厂烟气含氧量的软测量模型,为火电厂的烟气含氧量测量提供了新方法,对燃烧系统的闭环控制有着重要的作用。文献[13]提出了采用神经网络方法建立测量风力发电系统的风速的软测量模型,由于神经网络不受非线性模型的限制,结果表明,风速的软测量模型可以代替风速仪的作用,效果显著。文献[14]提出了采用径向基神经网络对多元稀土萃取组分含量预测的软测量模型,与萃取过程平衡模型结合得出在线预测稀土萃取组分含量的软测量模型,仿真结果表明基于神经网络的软测量模型是有效的。 4)基于支持向量机回归分析的方法支持向量机(SVM)是一种新型的机器学习方法,通过最优化方法来解决机器学习问题,是当前机器学习领域的热点研究。它建立在统计学习理论的基础上,采用结构风险最小化准则,在模型复杂性与学习能力之间寻求最佳折衷,得到最优的统计规律和更好的推广能力。SVM归根到底就是把机器学习问题转化成二次规划问题,因此它得到的最优解就是全局最优解而且还是唯一的。SVM在模式识别、回归预测等领域有着广泛的应用。文献[15]提出了基于支持向量机测量赖氨酸发酵生物参数的软测量方法,通过辅助变量对生物参数进行了预测,结果表明此方法具有很强的推广能力,预测精度很高。文献[16]利用改进的支持向量机对作物叶水势建立软测量模型,成功的预测作物叶的水势信息。文献[17]采用支持向量机回归原理对木材干燥过程含水率进行了软测量研究,仿真表明提出的方法具有很好的泛化能力,准确的预测了木材含水率。 1.3.2国内外粒度软测量研究现状软测量技术的思想其实很早就得到了应用[“8.2"】。颗粒粒度预测只是软测量一个应用。国外对颗粒粒度软测量研究相对比较早,研究成果也比较多。文献[21]建立了一组利用简单线性的Rao方程建模对粒度分布进行预测估计。文献[22-24]建立了具有动态误差补偿的静态模型和动态模型来建立颗粒粒度的在线预测,而且在实际应用中验证了这 种方法的可行性和优越性。文献[25]采用了神经网络建立颗粒粒度的动态估计的软测量模型。文献[26]利用自回归滑动平均模型进行颗粒粒度软测量研究。文献[27]分别提出了采用神经网络、自回归滑动平均模型和卡尔曼滤波器对颗粒粒度进行软测量建模。文献[28]提出了一种基于模糊模型的旋流器分离粒度软测量模型。我国对颗粒粒度软测量的研究也取得了一些成绩。文献[29]提出了一种改进的多最小二乘支持向量机进行草酸钴粒度的软测量,通过解决非线性系统建模问题,预测的精度很高。文献[30]提出了一种基于径向基神经网络的颗粒粒度软测量设计方法,解决了因缺少合适的检测仪表存在的不能在线检测的问题。文献[31]提出了一种利用案例推理进行颗粒粒度软测量建模的方法,用这种方法应用到实际的磨矿厂进行磨矿粒度的测量,效果明显,具有推广价值。文献[32]采用基于模糊C均值聚类算法的颗粒粒度多最小二乘支持向量机回归的软测量模型,能够满足现场过程的实时在线软测量。文献[33]利用主元分析方法和神经网络相结合的方法对PTA产品粒度进行的软测量,方法在实际应用中效果显著。 1.4论文结构及内容安排 本文以研究颗粒粒度为背景,将提出的改进支持向量机应用到预测颗粒粒度的软测量模型中,提出了基于改进量子粒子群的最小二乘支持向量回归机(WQPSO-LSSVR)的颗粒粒度软测量模型。全文总共分为五个部分,全文内容安排如下: 第1章,绪论,介绍了课题的研究背景及意义,综述了颗粒粒度的测量方法和颗粒粒度软测量的研究,介绍了几种常用的软测量建模方法以及颗粒粒度软测量的国内外研究现状。 第2章,混合核支持向量机回归算法,介绍了支持向量回归机算法,包括线性支持向量回归机和非线性支持向量回归机,重点介绍了最小二乘支持向量回归机,本章还介绍了核函数的概念,并将混合核函数引入到最小二乘支持向量回归机中。 第3章,基于小波变异的粒子群算法,主要是对粒子群算法进行改进,首先介绍了基本粒子群算法和标准粒子群算法,然后对标准粒子群算法进行改进。粒子群算法改进从两个方面进行,一方面是将平均最优位置引入到速度公式中,使粒子可以利用更多的信息来决策自己的行为,另一方面对平均最优位置引入小波变异,增加算法的种群多样性。这里重点介绍了小波变异的方法及应用。此外,还分析了量子粒子群算法,并提出基于小波变异的量子粒子群算法。 第4章,基于改进量子粒子群算法的支持向量机参数优化,首先研究了参数对支持向量回归机性能的影响,然后介绍了几种参数优化的方法,重点研究基于改进量子粒子群算法的参数优化的方法,最后将提出的改进量子粒子群优化最小二乘支持向量回归机参数的方法对非线性函数以及两组UCI数据集进行性能验证。 第5章,基于改进的支持向量机的颗粒粒度软测量模型,将提出的改进支持向量回归机算法应用于实际生产过程的招带还晶粒度软测量建模中。结果表明,本文提出的基于WQPSO-LSSVR的颗粒粒度软测量预测精度较高,得到了较好的效果,说明了本文提出的建模方法的可行性和优越性。 第6章,总结与展望,对全文进行了总结,并对以后的研究工作做了展望。 |
| [返回] |
下一篇：基于不平衡支持向量机的上市公司财务预警系统研究