CN104951803B - 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 - Google Patents
基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 Download PDFInfo
- Publication number
- CN104951803B CN104951803B CN201510358383.4A CN201510358383A CN104951803B CN 104951803 B CN104951803 B CN 104951803B CN 201510358383 A CN201510358383 A CN 201510358383A CN 104951803 B CN104951803 B CN 104951803B
- Authority
- CN
- China
- Prior art keywords
- mrow
- soft
- individual
- fitness
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,本发明公开的方法选择常压精馏塔有关运行和状态参数作为模型的输入,要预测的航煤干点作为模型的输出,选取精馏塔的历史运行数据作为初始训练样本,利用最小二乘支持向量机方法建立航煤干点的初始模型。另外,基于对常压精馏塔时变特性的分析,提出了基于动态移动窗的样本删减和样本追加的更新策略,并采用删减样本和增加样本两种模式以增量的形式来实现参数的求解和模型的更新。
Description
技术领域
本发明涉及炼油企业常压精馏塔馏分航空煤油(以下简称航煤)质量指标干点的检测技术领域,具体涉及一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法。
背景技术
通常解决工业过程的检测问题是通过研制新型的过程测量仪表,以硬件形式实现过程参数的直接在线测量。然而,在工业生产过程中总是存在着一些重要的但是又不能实时检测的变量,比如在测量炼油企业常压精馏塔航煤产品质量参数这样的质量指标时,目前还没有可用的硬件传感器。对航煤产品质量参数的检测,广泛使用的主要有两种测量方法:采样化验法,一般4到8小时采样化验一次;或者采用在线工业色谱仪分析法,在线工业色谱仪成本昂贵、维护困难,而且引入较大的纯滞后(一般十几分钟)。因此,以上两种方法都难以实现精馏过程航煤产品质量参数的实时检测。
软测量技术源于对此类问题的关注。软测量技术近年来发展迅速,受到了越来越广泛的重视,已经成为当前工业过程先进控制技术发展的主导方向之一。软测量技术克服了传统的人工分析和分析仪表的一些不足,大大提高了产品的过程控制和优化效果,其发展迅速,应用日趋广泛,几乎渗透到生产过程的各个领域。目前,一般常压精馏塔航煤产品质量参数的建模方法是以静态的生产过程为前提,即假设我们测定的环境处于稳定不变的状态,采用静态建模估计方法。可是在实际工况中,生产环境普遍都处于动态变化中,固有的静态建模方法无法或很难适应生产过程样本数据的变化,导致时变条件下软测量软件无法正常使用或者估计效果不佳。
发明内容
根据现有技术存在的问题,本发明公开了一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,具体技术方案是:包括以下步骤:
S1:利用最小二乘支持向量机方法建立航煤干点的软测量模型,采集精馏塔的历史运行数据作为初始训练样本,所述历史运行数据为常压状态下精馏塔的温度、压力以及其他工作状态信息,将历史运行数据作为软测量模型的输入信息,选择径向基核函数作为软测量模型的核函数,采用改进的遗传算法进行最小二乘支持向量机软测量模型参数的优化选择,使软测量模型输出预测的航煤干点化验数据信息;
S2:根据获取的新数据信息,利用S1中得到的最小二乘支持向量机航煤干点软测量模型进行航煤干点估计计算,所述新数据信息为S1中模型训练后获取的精馏塔的温度、压力以及其他工作状态信息;
S3:获取航煤干点化验值将该化验值和航煤干点预测值进行误差值计算;
S4:设置软测量模型误差阈值ε,判断S3中计算出的误差值是否大于误差阈值ε;
如果误差值大于此阈值ε,按照S5中的方式进行软测量模型更新;如果误差小于此阈值ε则进入S7;
S5:采用动态移动窗方法更新软测量模型:增加或者删除软测量模型中的样本信息,采用如下方式:将样本(xk+1,yk+1)加入移动窗原有样本(xk,yk)中,同时将移动窗最早的样本(xi,yi)删除,即保持固定移动窗长度不变;
S6:计算软测量模型的特征矩阵,更新最小二乘支持向量机模型参数;
S7:判断获取的新数据信息是否为最后一个样本,如果为“否”,则返回S2重新获取新数据信息按照上述方式更新软测量模型,如果为“是”则程序结束,该样本信息下的软测量模型为确定的软测量模型。
所述采用改进的遗传算法进行优化参数选择,采用如下方式:
S11:种群初试化:GA迭代次数300,子种群个数8,种群大小30,代沟0.8,插入率0.7,迁移率0.2,最小二乘支持向量机软测量模型参数寻优范围γ∈[0.001,1000],p∈[0.001,1000];
S12:计算适应度函数值:将最小二乘支持向量机中训练样本集作为验证样本,均方差作为评估的性能函数,适应度函数设定为均方差倒数,即为寻找验证样本集均方差最小值时的参数;
适应度函数定义为:
yi和分别为实验化验值和验证集,n为验证集个数,γ为最小二乘支持向量机软测量模型参数,p为径向基核函数的宽度参数,fitness为适应度值变化量;
S13:选择操作:将种群按个体适应度从大到小排序,采用随机遍历抽样从种群中选择优良个体作为过渡代,根据代沟确定选择个体数,滤除适应度差的个体,保留最佳个体;
S14:交叉操作和变异操作:自适应地改变交叉算子pc和变异算子pm的大小,采用离散重组算子的多点交叉方法进行交叉操作:在每个染色体任意两个相邻基因位之间设一交叉点,交叉点数设为W,W为自然数,以产生父母定义的个体的所有可能;对于每个交叉点,根据交叉概率pc,选择贡献给子代的父代;
变异操作采用高斯变异的方法进行:把个体编码串中每个基因座设为变异点,根据一定的变异率pm,对于每个变异点,原来变量加上一个随机数,随机数取均值为0,方差为σ2的正态分布随机数,组成新的变量,来替换原有基因值,即x′i=xi+N(0,σ2)为变异后的基因值;
S15:计算过渡代目标函数值:经过上述S14中子代代替父代形成新的个体,计算新种群的不同个体的适应度值大小;
S16:重插入操作:把过渡代插入到父代,根据个体的适应度值,用适应度高的过渡代代替适应度低的父代;
S17:种群间移民操作:在每代进化过程中以一定淘汰率用产生的新个体代替适应度最差的个体,动态调整子代个体;
S18:当满足最大迭代次数或适应度值变化量小于设定值时停止迭代,即当|Δfitness|≤c,c为设定值,最佳适应度值对应的个体决定了软测量模型最优参数,该适应度下的软测量模型为优化后模型。
所述径向基核函数为:
其中,p是径向基核函数的宽度参数。
所述软测量模型的特征矩阵:
其中:a表示拉格朗日乘子,b表示偏置量,l=[1;1;…;1]表示单位向量。
由于采用了上述技术方案,本发明提供的一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,本发明采用动态移动窗方法更新软测量模型,增强了模型对时变过程的自适应估计效果,为实现对航煤干点非线性模型的估计,给出了最小二乘支持向量机计算方法,采用固定移动窗长度的方法,使软测量模型更新的计算变得方便快捷。本发明能够适应常压塔时变过程的需要,进一步有效抑制了时变过程对航煤干点预测的影响,增强了模型预测能力,提高了模型的预测精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中公开的常压精馏塔航煤干点软测量方法原理示意图
图2为本发明中公开的常压精馏塔航煤干点软测量方法的流程图;
图3为本发明中公开的常压精馏塔航煤干点软测量方法的结果显示图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
本发明利用集散控制系统采集常减压装置辅助变量传感器信息,通过化验数据平台收集航煤干点化验数据后,依据本发明所述的原理编写程序,并在集散控制系统工程师站显示最终计算结果。为了进行实验,常压精馏塔航煤干点软测量系统应具备如图1所示各组成部分。
如图2所示的基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,具体包括以下步骤:
S1:利用最小二乘支持向量机方法建立航煤干点的软测量模型,采集精馏塔的历史运行数据作为初始训练样本,所述历史运行数据为常压状态下精馏塔的温度、压力以及其他工作状态信息,将历史运行数据作为软测量模型的输入信息,选择径向基核函数作为软测量模型的核函数,采用改进的遗传算法进行最小二乘支持向量机软测量模型参数的优化选择,使软测量模型输出预测的航煤干点化验数据信息;
S2:根据获取的新数据信息,利用S1中得到的最小二乘支持向量机航煤干点软测量模型进行航煤干点估计计算,所述新数据信息为S1中模型训练后获取的精馏塔的温度、压力以及其他工作状态信息;
S3:获取航煤干点化验值将该化验值和航煤干点预测值进行误差值计算;
S4:设置软测量模型误差阈值ε,判断S3中计算出的误差值是否大于误差阈值ε;
如果误差值大于此阈值ε,按照S5中的方式进行软测量模型更新;如果误差小于此阈值ε则进入S7;
S5:采用动态移动窗方法更新软测量模型:增加或者删除软测量模型中的样本信息,采用如下方式:将样本(xk+1,yk+1)加入移动窗原有样本(xk,yk)中,同时将移动窗最早的样本(xi,yi)删除,即保持固定移动窗长度不变;
S6:计算软测量模型的特征矩阵,更新最小二乘支持向量机模型参数;
S7:判断获取的新数据信息是否为最后一个样本,如果为“否”,则返回S2重新获取新数据信息按照上述方式更新软测量模型,如果为“是”则程序结束,该样本信息下的软测量模型为确定的软测量模型。
进一步的,为避免标准遗传算法(GA)容易出现的早熟收敛和后期搜索迟钝的问题,在标准遗传算法的基础上做如下改进:采用多种群并行进化,各种群独立进行交叉变异操作;使用最佳保留策略提高收敛速度,引导最佳的目标函数变化方向,只能越来越优。为增加解的多样性,引入移民策略,实现种群间信息交换。多种群遗传算法是用在种群初始化时,设置多个子种群,代替原来的单一种群,各个子种群间是相对独立地,各自进行交叉变异等遗传操作,用多个子种群代替原始种群在可行解域进行搜索,在遗传操作的后期可增加各种群间的信息交流环节,便于加快种群收敛。这种做法不仅保持了最优个体进化的稳定性,而且加快了收敛速度,可有效避免单种群遗传算法出现的容易陷入局部收敛的情况。
所述采用改进的遗传算法进行优化参数选择,采用如下方式:
S11:种群初试化:GA迭代次数300,子种群个数8,种群大小30,代沟0.8,插入率0.7,迁移率0.2,最小二乘支持向量机软测量模型参数寻优范围γ∈[0.001,1000],p∈[0.001,1000];
S12:计算适应度函数值:将最小二乘支持向量机中训练样本集作为验证样本,均方差(RMSE)作为评估的性能函数,适应度函数设定为均方差倒数,即为寻找验证样本集均方差最小值时的参数;
适应度函数定义为:
yi和分别为实验化验值和验证集,n为验证集个数,γ为最小二乘支持向量机软测量模型参数,p为径向基核函数的宽度参数,fitness为适应度值变化量;
S13:选择操作:将种群按个体适应度从大到小排序,采用随机遍历抽样(Stochastic Universal Sampling)从种群中选择优良个体作为过渡代,根据代沟确定选择个体数,滤除适应度差的个体,保留最佳个体;过渡代的个体在进行后面的交叉和变异运算后加上父代中部分最优个体组成子代。适应度越大被选中的几率越大。第ith个体的适应度值为fi,被选择的概率为m为种群大小。
S14:交叉操作和变异操作:为提高GA的全局最优性能,加快收敛速度,缓解因敏感参数的设定造成的影响,可根据个体的具体适应情况,在交叉变异操作中自适应地改变交叉算子pc和变异算子pm的大小。主要思想是:当个体的适应度值远远大于平均适应度值即此个体属于较优个体时,为使种群中优良基因不被破坏,pc和pm可适应变小;否则pc和pm相应变大,以便去除不良基因,引入新基因。
自适应交叉算子和变异算子按以下公式进行设定:
其中,f是要交叉的两个个体的最大适应度值;fmax和fmin分别是每代种群中的最大适应度值和最小的适应度值;fave为每代种群的平均适应度值;f′为待变异个体的适应度值。这种自适应方法可以再进化过程中自动的调整交叉和变异算子的大小,此算法不需要提取预先设计参数的大小。种群交叉变异算子如此设定后进行交叉变异时,防止优良基因因交叉变异而遭破坏,又可满足种群基因的多样性,而且加快了算法的进化速度,可加速跳出局部最小值。
为实现实数编码,采用离散重组算子的多点交叉方法进行交叉操作,离散重组算子是在个体间交换变量值来产生新染色体,交叉操作具体为:
自适应地改变交叉算子pc和变异算子pm的大小,采用离散重组算子的多点交叉方法进行交叉操作:在每个染色体任意两个相邻基因位之间设一交叉点,交叉点数设为W,W为自然数,以产生父母定义的个体的所有可能;对于每个交叉点,根据交叉概率pc,选择贡献给子代的父代;
针对重点搜索区域为提高其局部搜索性能,变异操作采用高斯变异的方法进行:把个体编码串中每个基因座设为变异点,根据一定的变异率pm,对于每个变异点,原来变量加上一个随机数,随机数取均值为0,方差为σ2的正态分布随机数,组成新的变量,来替换原有基因值,即x′i=xi+N(0,σ2)为变异后的基因值;
S15:计算过渡代目标函数值:经过上述S14中子代代替父代形成新的个体,计算新种群的不同个体的适应度值大小;
S16:重插入操作:为恢复种群数量,把过渡代插入到父代,根据个体的适应度值,用适应度高的过渡代代替适应度低的父代;(替换个数为插入率*种群个数)。进行交叉和变异运算后过渡代的个体加上父代中的部分最优个体共同组成下一代。经过重插入操作,父代中最优个体便可以保留下来,使适应度强的个体不至于因为交叉、变异等操作被破坏掉,最佳保留策略的结果是使最优目标函数越来越优。
S17:种群间移民操作:了改善种群基因,避免出现早熟收敛的情况,加速跳出局部最小值,引入移民算子,在每代进化过程中以一定淘汰率用产生的新个体代替适应度最差的个体,动态调整子代个体。即移民机制即在每代进化过程中以一定淘汰率(即迁移率)用产生的新个体代替适应度最差的个体,动态调整子代个体,增加种群多样性。基于个体的适应度值,在不同的子群中实现种群间的迁移,采用完全网状结构移民,在一种群中随机选择一定数量(迁移率*每个子种群个体数)的个体并用从其他所有子种群中选择最适应的个体替换。
S18:当满足最大迭代次数或适应度值变化量小于设定值时停止迭代,即当|Δfitness|≤c,c为设定值,最佳适应度值对应的个体决定了软测量模型最优参数,该适应度下的软测量模型为优化后模型。
进一步的,所述径向基核函数为:
其中,p是径向基核函数的宽度参数。
进一步的,所述软测量模型的特征矩阵:
其中:a表示拉格朗日乘子,b表示偏置量,l=[1;1;…;1]表示单位向量。
图3为常压精馏塔航煤干点软测量方法的结果显示图。从图3可以看出,使用本发明技术方案的软测量模型在测试集上的精度很高,预测数值很准确,能够克服过程时变对软测量估计的影响。基于动态移动窗LSSVM算法的软测量模型绝对误差全部小于3℃,符合工艺对航煤干点精度的估计要求,具有很好的学习能力及泛化性能。
本发明公开的方法选择常压精馏塔有关运行和状态参数作为模型的输入,要预测的航煤干点作为模型的输出,选取精馏塔的历史运行数据作为初始训练样本,利用最小二乘支持向量机方法建立航煤干点的初始模型。另外,基于对常压精馏塔时变特性的分析,提出了基于动态移动窗的样本删减和样本追加的更新策略,并采用删减样本和增加样本两种模式以增量的形式来实现参数的求解和模型的更新。
本发明提出的动态移动窗最小二乘支持向量机软测量方法随着常压精馏塔过程特性的变化自适应地改进模型性能,能够实现对航煤干点的精确预测,对常压精馏塔的先进控制和优化运行有重要的意义。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,其特征在于:包括以下步骤:
S1:利用最小二乘支持向量机方法建立航煤干点的软测量模型,采集精馏塔的历史运行数据作为初始训练样本,所述历史运行数据为常压状态下精馏塔的温度、压力以及其他工作状态信息,将历史运行数据作为软测量模型的输入信息,选择径向基核函数作为软测量模型的核函数,采用改进的遗传算法进行最小二乘支持向量机软测量模型参数的优化选择,使软测量模型输出预测的航煤干点化验数据信息;
S2:根据获取的新数据信息,利用S1中得到的最小二乘支持向量机航煤干点软测量模型进行航煤干点估计计算,所述新数据信息为S1中模型训练后获取的精馏塔的温度、压力以及其他工作状态信息;
S3:获取航煤干点化验值将该化验值和航煤干点预测值进行误差值计算;
S4:设置软测量模型误差阈值ε,判断S3中计算出的误差值是否大于误差阈值ε;
如果误差值大于此阈值ε,按照S5中的方式进行软测量模型更新;如果误差小于此阈值ε则进入S7;
S5:采用动态移动窗方法更新软测量模型:增加或者删除软测量模型中的样本信息,采用如下方式:将样本(xk+i,yk+i)加入移动窗原有样本(xk,yk)中,同时将移动窗最早的样本(xi,yi)删除,即保持固定移动窗长度不变;其中:下标k表示软测量模型的总样本数,下标i表示移动窗中每次增加或删除的样本数;
S6:计算软测量模型的特征矩阵,更新最小二乘支持向量机模型参数;
S7:判断获取的新数据信息是否为最后一个样本,如果为“否”,则返回S2重新获取新数据信息按照上述方式更新软测量模型,如果为“是”则程序结束,该样本信息下的软测量模型为确定的软测量模型
所述采用改进的遗传算法进行优化参数选择,采用如下方式:
S11:种群初试化:GA迭代次数300,子种群个数8,种群大小30,代沟0.8,插入率0.7,迁移率0.2,最小二乘支持向量机软测量模型参数γ和p,其寻优范围γ∈[0.001,1000],p∈[0.001,1000];
S12:计算适应度函数值:将最小二乘支持向量机中训练样本集作为验证样本,均方差作为评估的性能函数,适应度函数设定为均方差倒数,即为寻找验证样本集均方差最小值时的参数;
适应度函数定义为:
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
yi和分别为实验化验值和验证集,n为验证集个数,γ为最小二乘支持向量机惩罚系数,p为径向基核函数的宽度参数,fitness为适应度值变化量;
S13:选择操作:将种群按个体适应度从大到小排序,采用随机遍历抽样从种群中选择优良个体作为过渡代,根据代沟确定选择个体数,滤除适应度差的个体,保留最佳个体;
S14:交叉操作和变异操作:自适应地改变交叉算子pc和变异算子pm的大小,采用离散重组算子的多点交叉方法进行交叉操作:在每个染色体任意两个相邻基因位之间设一交叉点,交叉点数设为W,W为自然数,以产生父母定义的个体的所有可能;对于每个交叉点,根据交叉算子pc,选择贡献给子代的父代;
变异操作采用高斯变异的方法进行:把个体编码串中每个基因座设为变异点,根据一定的变异算子pm,对于每个变异点,原来变量加上一个随机数,随机数取均值为0,方差为σ2的正态分布随机数,组成新的变量,来替换原有基因值,即J′i=Ji+N(0,σ2)为变异后的基因值,Ji表示原有基因值,J′i表示变异后的基因值;
S15:计算过渡代目标函数值:经过上述S14中子代代替父代形成新的个体,计算新种群的不同个体的适应度值大小;
S16:重插入操作:把过渡代插入到父代,根据个体的适应度值,用适应度高的过渡代代替适应度低的父代;
S17:种群间移民操作:在每代进化过程中以一定淘汰率用产生的新个体代替适应度最差的个体,动态调整子代个体;
S18:当满足最大迭代次数或适应度值变化量小于设定值时停止迭代,即当|Δfitness|≤c,c为设定值,最佳适应度值对应的个体决定了软测量模型最优参数,该适应度下的软测量模型为优化后模型。
2.根据权利要求1所述的一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,其特征还在于:
所述径向基核函数为:
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>r</mi>
<mi>b</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>p</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,p是径向基核函数的宽度参数,x,xi表示具体样本。
3.根据权利要求1所述的一种基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法,其特征还在于:所述软测量模型的特征矩阵:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mi>l</mi>
<mi>T</mi>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>l</mi>
</mtd>
<mtd>
<mrow>
<mi>&Omega;</mi>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>&gamma;</mi>
</mfrac>
<mi>I</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:a表示拉格朗日乘子,b表示偏置量,l=[1;1;…;1]表示单位向量,Ω为核矩阵,y表示得到的向量,γ是最小二乘支持向量机惩罚系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510358383.4A CN104951803B (zh) | 2015-06-24 | 2015-06-24 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510358383.4A CN104951803B (zh) | 2015-06-24 | 2015-06-24 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951803A CN104951803A (zh) | 2015-09-30 |
CN104951803B true CN104951803B (zh) | 2018-03-13 |
Family
ID=54166443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510358383.4A Expired - Fee Related CN104951803B (zh) | 2015-06-24 | 2015-06-24 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951803B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444923B (zh) * | 2015-11-18 | 2017-12-29 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
CN105574231A (zh) * | 2015-11-27 | 2016-05-11 | 上海交通大学 | 一种蓄电池剩余容量检测方法 |
CN107220393B (zh) * | 2016-03-22 | 2020-07-28 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线干点预测方法 |
CN107220392B (zh) * | 2016-03-22 | 2020-07-28 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线10%点预测方法 |
CN106018731B (zh) * | 2016-05-12 | 2018-09-25 | 华中科技大学 | 一种煤质挥发分、固定碳在线检测方法及系统 |
CN108205056A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油干点在线软测量方法 |
CN109684076B (zh) * | 2018-11-28 | 2020-07-10 | 华中科技大学 | 一种适用于云计算系统的多任务处理方法 |
CN114240243B (zh) * | 2021-12-30 | 2022-10-11 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916792A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种工业生产过程小样本条件下的软测量方法 |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN102663235A (zh) * | 2012-03-20 | 2012-09-12 | 浙江大学 | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 |
KR20130118682A (ko) * | 2012-04-20 | 2013-10-30 | 경북대학교 산학협력단 | 인 농도 예측을 통한 최적 응집제 주입장치 |
-
2015
- 2015-06-24 CN CN201510358383.4A patent/CN104951803B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916792A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种工业生产过程小样本条件下的软测量方法 |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN102663235A (zh) * | 2012-03-20 | 2012-09-12 | 浙江大学 | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 |
KR20130118682A (ko) * | 2012-04-20 | 2013-10-30 | 경북대학교 산학협력단 | 인 농도 예측을 통한 최적 응집제 주입장치 |
Non-Patent Citations (1)
Title |
---|
基于最小二乘支持向量机的航煤干点软测量应用研究;李亚芬等;《计算机与应用化学》;20060428;第23卷(第4期);第367-371页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104951803A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951803B (zh) | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 | |
Willi et al. | Accumulation of mutational load at the edges of a species range | |
Guo et al. | Genome-wide association studies of image traits reveal genetic architecture of drought resistance in rice | |
Chen et al. | Genome-wide analysis of Cushion willow provides insights into alpine plant divergence in a biodiversity hotspot | |
Sun et al. | Evolutionary history of P urple cone spruce (P icea purpurea) in the Q inghai–T ibet P lateau: homoploid hybrid origin and P leistocene expansion | |
Wang et al. | Statistical inference of chromosomal homology based on gene colinearity and applications to Arabidopsis and rice | |
Springer et al. | Macroevolutionary dynamics and historical biogeography of primate diversification inferred from a species supermatrix | |
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
Duitama et al. | Improved linkage analysis of Quantitative Trait Loci using bulk segregants unveils a novel determinant of high ethanol tolerance in yeast | |
Slavov et al. | Extensive pollen flow in two ecologically contrasting populations of Populus trichocarpa | |
Liu et al. | Diploid hybrid origin of Ostryopsis intermedia (Betulaceae) in the Qinghai‐Tibet Plateau triggered by Quaternary climate change | |
Collevatti et al. | Demographic history and the low genetic diversity in Dipteryx alata (Fabaceae) from Brazilian Neotropical savannas | |
Hinten et al. | Genetic variation and island biogreography: microsatellite and mitochondrial DNA variation in island populations of the Australian bush rat, Rattus fuscipes greyii | |
Feng et al. | The phytogeographic history of common walnut in China | |
CN110232445A (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
Pfenninger et al. | Methodological framework for projecting the potential loss of intraspecific genetic diversity due to global climate change | |
Chattopadhyay et al. | Fluctuating fortunes: genomes and habitat reconstructions reveal global climate-mediated changes in bats' genetic diversity | |
Aguirre-Liguori et al. | Evaluation of the minimum sampling design for population genomic and microsatellite studies: An analysis based on wild maize | |
CN107464017A (zh) | 基于带时间差分贝叶斯网络的自适应软测量预测方法 | |
CN107358363A (zh) | 基于径向基函数神经网络组合模型的煤工发病率预测方法 | |
Pan et al. | Long-term sky islands generate highly divergent lineages of a narrowly distributed stream salamander (Pachyhynobius shangchengensis) in mid-latitude mountains of East Asia | |
Kelly | The genomic scale of fluctuating selection in a natural plant population | |
Yoichi et al. | Population demographic history of a temperate shrub, Rhododendron weyrichii (Ericaceae), on continental islands of Japan and South Korea | |
CN114219345A (zh) | 一种基于数据挖掘的二次空气质量预报优化方法 | |
CN109727642A (zh) | 基于随机森林模型的全基因组预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180313 Termination date: 20200624 |