位置:成果数据库 > 期刊 > 期刊详情页
基于RS重构技术的LS_SVM预测模型及工业应用
  • ISSN号:0254-3087
  • 期刊名称:仪器仪表学报
  • 时间:0
  • 页码:921-925
  • 语言:中文
  • 分类:TP273[自动化与计算机技术—控制科学与工程;自动化与计算机技术—检测技术与自动化装置]
  • 作者机构:[1]中南大学信息科学与工程学院,长沙410083, [2]湖南文理学院电气与信息工程学院,常德415000
  • 相关基金:国家自然科学基金(60634020,60874037)、教育部博士点基金(200805331103)资助项目
  • 相关项目:面向节能降耗的有色冶金过程控制若干理论与方法研究
中文摘要:

为实现不完备多变量时间序列的有效重构,将经典重构技术和粗糙集约简理论相结合,提出了一种广义输入状态重构方法和LS_SVM预测模型。首先,结合MeanCompleter补齐算法和经典相空间重构方法,对不完备多变量时间序列进行补齐和含有一定嵌入裕量的初始重构,以克服序列中可能存在的数据缺失和嵌入不足等问题;然后,通过构建时间序列决策表,采用一种IGA算法对冗余嵌入和冗余变量进行RS约简,获取精简重构样本空间;最后,将精简结果作为LS_SVM的输入,辨识关键变量预测模型。将提出的方法应用氧化铝配料过程的原料组份时间序列的重构和预测,通过比较和分析验证了算法的有效性和优越性。

英文摘要:

In order to effectively reconstruct the phase space for multivariate time series, a general input state reconstruction method combining classical reconstruction technology with reduction theory of rough sets and LS_SVM prediction model are proposed. Firstly, by using Mean Completer Algorithm and classical reconstruction method, the multivariate time series with incomplete information is completed and originally reconstructed with redundant embedding dimensions. Then, the original decision-table for multivariate time series is set up and the RS reduction is implemented by IGA to delete the redundant dimensions and irrelevant variables and to extract the simplified samples. Finally, the prediction model for the key variable is identified by inputting these samples into LS_SVM. The proposed method is applied to reconstruct and predict the time series of material component contents in blending process of alumina production. The application results show its efficiency and superiority in comparison with classical method.

同期刊论文项目
期刊论文 287 会议论文 65 获奖 9 专利 15 著作 2
同项目期刊论文
期刊信息
  • 《仪器仪表学报》
  • 中国科技核心期刊
  • 主管单位:中国科学技术协会
  • 主办单位:中国仪器仪表学会
  • 主编:张钟华
  • 地址:北京东城区北河沿大街79号
  • 邮编:100009
  • 邮箱:yqyb@vip.163.com
  • 电话:010-84050563
  • 国际标准刊号:ISSN:0254-3087
  • 国内统一刊号:ISSN:11-2179/TH
  • 邮发代号:2-369
  • 获奖情况:
  • 1983年评为机械部科技进步三等奖,1997年评为中国科协优秀科技期刊三等奖
  • 国内外数据库收录:
  • 美国化学文摘(网络版),荷兰文摘与引文数据库,美国工程索引,日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),英国英国皇家化学学会文摘,中国北大核心期刊(2000版)
  • 被引量:42481