位置:成果数据库 > 期刊 > 期刊详情页
基于灰关联分析的KPCA-LSSVM蒸发过程软测量
  • ISSN号:1000-1220
  • 期刊名称:小型微型计算机系统
  • 时间:2012
  • 页码:1851-1855
  • 分类:TP18[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—控制理论与控制工程]
  • 作者机构:[1]中南大学信息科学与工程学院,长沙410083, [2]宜春学院物理科学与工程技术学院,江西宜春336000
  • 相关基金:国家自然科学基金项目(60874069)资助; 国家“八六三”高技术研究发展计划项目(2009AA04Z124 2009AA04Z137)资助; 国家杰出青年科学基金项目(61025015)资助
  • 相关项目:复杂工业过程建模、控制与优化
中文摘要:

针对氧化铝生产蒸发过程铝酸钠溶液浓度难以在线检测问题,提出一种基于灰色关联分析和核主元分析相结合的支持向量机蒸发过程建模方法.该方法采用灰色关联分析和核主元分析过程可测参数确定出软测量模型的输入输出变量,再用混沌粒子群优化算法的最小二乘支持向量机构建软测量模型.通过灰关联和核主元分析,既可以全面广泛的筛选出输入变量,增强了模型的适应能力;又可以消除样本共线性,大大降低样本维数.以蒸发过程生产数据进行实验验证的结果表明,与KPCA-LSSVM和LSSVM相比,新模型收敛速度快、鲁棒性较强、精度较高、泛化性更好,能有效的实现蒸发过程铝酸钠溶液浓度的在线检测.

英文摘要:

Aiming at online testing problem of concentration of sodium aluminate solution in evaporation process of alumina production,a support vector machine modeling method based on gray relational analysis and kernel principal component analysis in evaporation process was proposed.The input and output variables of the prediction models were determined by analyzing process parameters based on principal components analysis and grey relational analysis.and then the LSSVM model was made based on chaotic PSO.The experimental results of industrial production data of evaporation process showed that,by grey relational analysis,the new model can filter out and deal with mass input variables without special subjective selection,enhance the adaptability of new model,eliminate redundancy and reduce dimension of the samples.Compared with KPCA-LSSVM and LSSVM model,the new model can provide a better convergence rate and also get good robustness,high accuracy,and better generalization.It can online measure concentration of sodium aluminate solution in evaporation process effectively.

同期刊论文项目
期刊论文 64 会议论文 1 专利 1 著作 1
期刊论文 78 会议论文 1 获奖 8 专利 9 著作 2
同项目期刊论文
期刊信息
  • 《小型微型计算机系统》
  • 中国科技核心期刊
  • 主管单位:中国科学院
  • 主办单位:中国科学院沈阳计算技术研究所
  • 主编:林浒
  • 地址:沈阳市浑南新区南屏东路16号
  • 邮编:110168
  • 邮箱:xwjxt@sict.ac.cn
  • 电话:024-24696120 024-24696190-8870
  • 国际标准刊号:ISSN:1000-1220
  • 国内统一刊号:ISSN:21-1106/TP
  • 邮发代号:8-108
  • 获奖情况:
  • 中国自然科学核心期刊,中国科学引文数据库来源期刊
  • 国内外数据库收录:
  • 俄罗斯文摘杂志,波兰哥白尼索引,荷兰文摘与引文数据库,美国剑桥科学文摘,英国科学文摘数据库,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),中国北大核心期刊(2000版)
  • 被引量:23212