CN111178627A - 一种基于spca的神经网络混合优化预测方法 - Google Patents
一种基于spca的神经网络混合优化预测方法 Download PDFInfo
- Publication number
- CN111178627A CN111178627A CN201911394404.2A CN201911394404A CN111178627A CN 111178627 A CN111178627 A CN 111178627A CN 201911394404 A CN201911394404 A CN 201911394404A CN 111178627 A CN111178627 A CN 111178627A
- Authority
- CN
- China
- Prior art keywords
- principal component
- neural network
- ith
- follows
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种基于SPCA的神经网络混合优化预测方法。本发明首先采集化工过程中影响重要变量的过程变量,利用串行主成分分析方法对数据做预处理,结合主成分分析和核主成分分析方法处理线性和非线性混合数据,降低数据维度,其次使用RBF神经网络作为预测模型,结合LM算法和遗传算法对预测模型的参数进行优化,提高预测模型的性能,最后将预处理后的数据放入优化后的预测模型中,进行预测。不同于传统的方法,本发明有处理线性和非线性混合数据的能力,且结合优化算法,能够提高预测模型精度。
Description
技术领域
本发明属于自动化工业技术领域,涉及一种基于SPCA的神经网络混合优化预测方法。
背景技术
随着现代化工业过程的不断成熟化、复杂化,产生越来越多的线性和非线性混合的过程数据不能很好的进行处理。在一些化工过程中,重要的变量也不能通过传感器设备测量,只能通过时滞较大的离线分析值进行调节,使工业过程控制变得复杂且困难。如果这些变量不能实时得到,不仅不能保证系统的所需性能,甚至会直接影响化工装置的生产能力及质量的稳定性。为了更好的处理过程数据,得到难以测量的变量,实现对工业过程进行精准控制,提出了一种基于SPCA的神经网络混合优化预测方法。
发明内容
本发明针对传统方法不能处理线性和非线性混合的数据,且模型预测性能较低等问题,提出了一种基于SPCA的神经网络混合优化预测方法。
本发明首先采集化工过程中影响重要变量的过程变量,利用串行主成分分析(SPCA)方法对数据做预处理,结合主成分分析和核主成分分析方法处理线性和非线性混合数据,降低数据维度,其次使用RBF神经网络作为预测模型,结合LM算法和遗传算法对预测模型的参数进行优化,提高预测模型的性能,最后将预处理后的数据放入优化后的预测模型中,进行预测。不同于传统的方法,本发明有处理线性和非线性混合数据的能力,且结合优化算法,能够提高预测模型精度。
本发明的技术方案是通过数据采集、数据预处理、系统建模、优化参数等手段,确立了一种基于SPCA的神经网络混合优化预测方法。利用该方法提升了模型预测的准确性。
本发明的方法步骤包括:
步骤一、采集相关工业过程数据,利用SPCA方法对数据进行处理。具体步骤是:
1-1.对于原始数据X∈Rn×m执行主成分分析,求解优化问题,形式如下:
s.t.||pLi||=1
其中,X是工业过程中采集的原始数据,n是原始数据维数,pLi是第i主成分的特征向量,max是最大化,s.t.||pLi||是约束||pLi||。
1-2.根据步骤1-1,通过协方差矩阵的特征分解得到特征向量pLi,形式如下:
1-3.根据步骤1-2,求得第i主成分,形式如下:
tLi=XpLi
其中,tLi是原始数据X的第i主成分。
1-4.根据第i个特征向量pLi和第i+1个特征向量pLi+1标准正交,重复步骤1-1至1-3,并利用预设的主成分累积贡献率,选取前KL个主成分,形式如下:
s.t.||pNi||=1
1-8为了获得核主成分分析的特征向量pNi,将协方差矩阵的特征分解得到,形式如下:
1-10.结合步骤1-9,对步骤1-7的形式进行转化,形式如下:
1-11.利用核函数ker(xi,xj)=φT(xi)φ(xj)对上式做优化,并结合协方差矩阵的特征分解,得到下式:
(n-1)λNiai=Kai
其中,K是由[K]i,j=ker(xi,xj)给出的具有i行j列元素的核矩阵,可以看出λNi和ai分别是K的第i个特征值和特征向量。
1-12结合步骤1-11,求得第i个核主成分,形式如下:
步骤2、使用步骤1中得到的新数据,建立RBF神经网络模型,并使用优化算法对模型参数进行优化,提高预测性能。
2-1.将SPCA之后的数据集分为训练集和测试集,建立RBF神经网络预测模型,形式如下:
其中,是神经网络预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离。神经网络预测模型的训练需要求解并优化以下三个参数,步骤如下:
2-2.通过递归最小二乘法得到的权值初始值,使用LM算法进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+μ)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),根据K-均值聚类算法确定ci和σi两个参数的初始值,用遗传算法优化三个参数:步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci和σi进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数。
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异。
2-4.根据均方根误差(RMSE)和绝对平均误差(MAE)指标评估RBF神经网络的建模精度,形式如下:
其中,Y(Xn)是实际的输出。
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集通过步骤一的数据处理后输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
本发明的有益效果:通过对影响重要变量的输入变量进行SPCA处理,结合线性和非线性的主成分数据之后放入RBF神经网络模型中,结合LM算法和遗传算法的混合优化算法对神经网络模型的三个参数进行优化,提高神经网络模型的预测精度。
具体实施方式
以水泥脱硝反应器系统为例:
反应器入口处设置有喷氨栅格,来自液氨蒸发系统的氨气经过一个供氨调整门,与来自稀释风机稀释后的空气混合后经喷嘴喷出,在与烟气中的NOx在催化剂的作用下发生选择性催化还原反应,生成水和氨气。在这系统过程中,喷氨量是一个关键控制指标,通过建立水泥脱硝反应器的预测模型,把机组负荷、喷氨量、SCR(水泥脱硝反应器)入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量以及脱硝效率等多个变量作为模型的输入,SCR出口NOx浓度作为模型的输出。
步骤一、采集水泥脱硝过程影响NOx浓度输出的相关变量,利用SPCA方法对数据进行处理。具体步骤是:
1-1.对于水泥脱硝过程影响NOx浓度输出的原始数据X∈Rn×m执行主成分分析,求解优化问题,形式如下:
s.t.||pLi||=1
其中,X是标准化后的影响NOx浓度输出的相关向量矩阵组合,如机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率等,n是影响NOx浓度输出的样本个数,pLi是第i主成分的特征向量,max是最大化,s.t.||pLi||是约束||pLi||。
1-2.根据步骤1-1,通过协方差矩阵的特征分解得到特征向量pLi,形式如下:
1-3.根据步骤1-2,求得第i主成分,形式如下:
tLi=XpLi
其中,tLi是原始数据X的第i主成分。
1-4.根据第i个特征向量pLi和第i+1个特征向量pLi+1标准正交,重复步骤1-1至1-3,并利用预设的主成分累积贡献率,选取前KL个主成分,形式如下:
s.t.||pNi||=1
1-8.为了获得核主成分分析的特征向量pNi,将协方差矩阵的特征分解得到,形式如下:
1-10.结合步骤1-9,对步骤1-7的形式进行转化,形式如下:
1-11.利用核函数ker(xi,xj)=φT(xi)φ(xj)对上式做优化,并结合协方差矩阵的特征分解,得到下式:
(n-1)λNiai=Kai
其中,K是由[K]i,j=ker(xi,xj)给出的具有i行j列元素的核矩阵,可以看出λNi和ai分别是K的第i个特征值和特征向量。
1-12结合步骤1-11,求得第i个核主成分,形式如下:
步骤2、使用步骤1中得到的新数据,建立水泥脱硝反应器的模型,使用混合优化算法进行神经网络参数优化,并对NOx浓度输出做预测。
2-1.将主成分分析之后的数据集分为训练集和测试集,通过使用训练集的数据,建立水泥脱硝反应器的神经网络预测模型,形式如下:
其中,是神经网络对NOx浓度的预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离。水泥脱硝反应器的神经网络预测模型的训练需要求解并优化以下三个参数,步骤如下:
2-2.首先通过递归最小二乘法得到的权值初始值,使用LM算法对权值初始值进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+μ)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),然后根据K-均值聚类算法确定ci和σi两个参数的初始值,把优化后的权值向量和得到的中心和宽度三个参数用遗传算法优化:步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci、σi和优化后的权值向量进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数。
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异。
2-4.根据均方根误差(RMSE)和绝对平均误差(MAE)指标评估径向基神经网络的建模精度,形式如下:
其中,Y(Xn)是实际的NOx浓度输出。
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集通过步骤一的数据处理后输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
Claims (1)
1.一种基于SPCA的神经网络混合优化预测方法,其特征在于该方法包括以下步骤:
步骤一、采集水泥脱硝过程影响NOx浓度输出的相关变量,利用SPCA方法对数据进行处理;具体步骤是:
1-1.对于水泥脱硝过程影响NOx浓度输出的原始数据X∈Rn×m执行主成分分析,求解优化问题,形式如下:
s.t.||pLi||=1
其中,X是标准化后的影响NOx浓度输出的相关向量矩阵组合,包括机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率,n是影响NOx浓度输出的样本个数,pLi是第i主成分的特征向量,max是最大化,s.t.||pLi||是约束||pLi||;
1-2.根据步骤1-1,通过协方差矩阵的特征分解得到特征向量pLi,形式如下:
1-3.根据步骤1-2,求得第i主成分,形式如下:
tLi=XpLi
其中,tLi是原始数据X的第i主成分;
1-4.根据第i个特征向量pLi和第i+1个特征向量pLi+1标准正交,重复步骤1-1至1-3,并利用预设的主成分累积贡献率,选取前KL个主成分,形式如下:
s.t.||pNi||=1
1-8.为了获得核主成分分析的特征向量pNi,将协方差矩阵的特征分解得到,形式如下:
1-10.结合步骤1-9,对步骤1-7的形式进行转化,形式如下:
1-11.利用核函数ker(xi,xj)=φT(xi)φ(xj)对上式做优化,并结合协方差矩阵的特征分解,得到下式:
(n-1)λNiai=Kai
其中,K是由[K]i,j=ker(xi,xj)给出的具有i行j列元素的核矩阵,则λNi和ai分别是K的第i个特征值和特征向量;
1-12结合步骤1-11,求得第i个核主成分,形式如下:
步骤2、使用步骤1中得到的新数据,建立水泥脱硝反应器的模型,使用混合优化算法进行神经网络参数优化,并对NOx浓度输出做预测;
2-1.将主成分分析之后的数据集分为训练集和测试集,通过使用训练集的数据,建立水泥脱硝反应器的神经网络预测模型,形式如下:
其中,是神经网络对NOx浓度的预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离;水泥脱硝反应器的神经网络预测模型的训练需要求解并优化以下三个参数,步骤如下:
2-2.首先通过递归最小二乘法得到的权值初始值,使用LM算法对权值初始值进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+μ)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),然后根据K-均值聚类算法确定ci和σi两个参数的初始值,把优化后的权值向量和得到的中心和宽度三个参数用遗传算法优化:步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci、σi和优化后的权值向量进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数;
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异;
2-4.根据均方根误差和绝对平均误差指标评估径向基神经网络的建模精度,形式如下:
其中,Y(Xn)是实际的NOx浓度输出;
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集通过步骤一的数据处理后输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394404.2A CN111178627B (zh) | 2019-12-30 | 2019-12-30 | 一种基于spca的神经网络混合优化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394404.2A CN111178627B (zh) | 2019-12-30 | 2019-12-30 | 一种基于spca的神经网络混合优化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178627A true CN111178627A (zh) | 2020-05-19 |
CN111178627B CN111178627B (zh) | 2022-05-31 |
Family
ID=70654210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394404.2A Active CN111178627B (zh) | 2019-12-30 | 2019-12-30 | 一种基于spca的神经网络混合优化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178627B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
CN110097127A (zh) * | 2019-05-07 | 2019-08-06 | 杭州麦迪特检测技术服务有限公司 | 基于核主成分分析的黄芪谱图特征提取与产地鉴别方法 |
CN110490351A (zh) * | 2019-03-27 | 2019-11-22 | 浙江工业大学 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
-
2019
- 2019-12-30 CN CN201911394404.2A patent/CN111178627B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110490351A (zh) * | 2019-03-27 | 2019-11-22 | 浙江工业大学 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
CN110097127A (zh) * | 2019-05-07 | 2019-08-06 | 杭州麦迪特检测技术服务有限公司 | 基于核主成分分析的黄芪谱图特征提取与产地鉴别方法 |
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
Non-Patent Citations (2)
Title |
---|
ERRACHDI ET AL.: "Online identification using radial basis function neural network coupled with KPCA", 《INTERNATIONAL JOURNAL OF GENERAL SYSTEMS》 * |
于征: "基于PCA的RBF神经网络混合优化预测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
CN112085277B (zh) * | 2020-09-10 | 2021-05-18 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178627B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110975597B (zh) | 一种水泥脱硝的神经网络混合优化方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
CN109523155B (zh) | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 | |
CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN111833970B (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
CN110175682A (zh) | 一种基于混沌粒子群的优化核主元分析故障监测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN113052214A (zh) | 基于长短期时间序列网络的换热站超短期热负荷预测方法 | |
CN110390132B (zh) | 基于过程状态空间的有色冶金单元工序数字化和建模方法 | |
CN111178627B (zh) | 一种基于spca的神经网络混合优化预测方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
Zhang et al. | A network traffic prediction model based on quantum inspired PSO and neural network | |
Zhang et al. | False data injection attack testbed of industrial cyber-physical systems of process industry and a detection application | |
CN102609601B (zh) | 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN108345726A (zh) | 基于互信息和软仪表误差的输入变量自动选择方法 | |
CN109947082B (zh) | 一种基于集成核独立成分分析模型的过程监测方法 | |
CN111797574A (zh) | 聚合物分子量分布的集成高斯过程回归模型方法 | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes | |
Chu et al. | Novel robust approach for constructing Mamdani-type fuzzy system based on PRM and subtractive clustering algorithm | |
CN109376337B (zh) | 一种基于Girvan-Newman算法的集散软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |