CN114626304A - 一种矿浆铜品位在线预测软测量建模方法 - Google Patents
一种矿浆铜品位在线预测软测量建模方法 Download PDFInfo
- Publication number
- CN114626304A CN114626304A CN202210275077.4A CN202210275077A CN114626304A CN 114626304 A CN114626304 A CN 114626304A CN 202210275077 A CN202210275077 A CN 202210275077A CN 114626304 A CN114626304 A CN 114626304A
- Authority
- CN
- China
- Prior art keywords
- model
- formula
- data
- elm
- soft measurement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005259 measurement Methods 0.000 title claims abstract description 35
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 26
- 239000010949 copper Substances 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005188 flotation Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 229910052729 chemical element Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及人工智能以及工业领域,尤其涉及一种用于矿浆铜品位的,采用非负绞杀和极限学习机的在线预测软测量建模方法。
背景技术
随着科学技术的发展,软测量技术广泛应用于工业生产过程。软测量技术主要通过采集与目标变量相关性较强的辅助变量作为输入变量,将目标变量作为输出变量,结合数学模型实现对目标变量的估计。当前,软测量技术主要有最小二乘法、支持向量机和人工神经网络等。但是,复杂的工业过程会导致过程变量之间存在高度的非线性、冗余性以及强耦合性,因此辅助变量的选择对于软测量建模来说至关重要。
非负绞杀算法(Nonnegative garrote,NNG)是一种嵌入式变量选择算法,最初是用来解决线性归回子集的选择问题,而对于非线性问题,有人提出将NNG与MLP神经网络相结合的软测量算法,但是MLP神经网络只适用于离线预测,而对于动态数据的建模问题会导致变量选择的准确性降低。极限学习机是(Extreme Learning Machine,ELM)一种单隐藏层前馈神经网络,具有理论解析解和收敛速度快的优势,适用于具有海量、多样、高速等特征的大数据环境,已经成功应用于离线预测。在线极限学习机(Online sequential extremelearning machine, OS-ELM)是在ELM的基础上增加了在线更新阶段,能够自动调整网络结构,具有较好的泛化性能和较快的学习速度。
在线预测一直是智能信息处理的前沿领域。在实际的工业应用中,由于实时采样的业务需求和计算机缓存的限制,数据呈现出逐个到达或片段式到达的特点,形成实时数据流,因此复杂多变的流式数据要求模型能根据当前数据片段的预测结果自动调整结构。
在当前已有的文献与专利资料中,许多科研人员已经研究出有效的极限学习机在线预测网络模型,也有很多研究关于非线性变量选择的问题,但大多数研究都没有同时考虑输入变量选择和OS-ELM网络结构冗余的问题。鉴于此,本发明提供一种变量选择和极限学习相结合的在线预测的软测量建模方法,这种方法可以同时考虑变量选择和网络模型结构动态调整的问题,可以降低模型的复杂度,提高模型的在线预测能力。
发明内容
针对上述问题,本发明提供一种矿浆铜品位在线预测软测量建模方法。
本发明提供如下技术方案:一种矿浆铜品位在线预测软测量建模方法,包括如下步骤,
步骤2、对所述过程变量和实验室标定样品数据进行数据预处理,处理后的数据集,包括输入变量X∈RN×P和输出变量Y∈RN×1;并将处理后的数据集划分为训练集、测试集和验证集;
步骤3、对ELM网络的超参数调优,得到初始ELM训练模型;
步骤4、随机初始化输入层、隐含层的参数αi、bi,构建初始化ELM网络,如式(1):
式(1)中,g(·)为sigmoid激活函数,输入变量x=[x1,x2,...,xp],yq为输出变量,βk=[βk1,βk2,...,βkm]T为ELM网络隐含层与输出层的连接权值,L为隐含层节点数;
步骤5、随机初始化NNG网络的s,f,K:令s←s1、f←5、K←10,s为绞杀超参数,将NNG算法收缩算子θi嵌入ELM网络,建立新的ELM网络,如式(3)所示:
其中,y为训练样本的真实值;
步骤7、通过K折交叉验证计算当前训练集下的AIC的平均值AICc,计算公式如式(5) 所示:
步骤9、将优化收缩系数代入ELM初始阶段得到输出权重,重新构建新的ELM网络结构,如式(6)所示:
步骤11:通过步骤9获取的软测量模型计算测试集的预测值,计算公式如式(8)所示:
步骤12:对新的模型Tq+1的性能进行评价,具体为根据模型性能评价指标对新的模型Tq+1性能进行评价,将验证集变为实时数据流,验证模型的泛化性能。对新的模型Tq+1的性能进行评价,所述模型的性能评价指标包括3个,分别为均方根误差MSE、模型个数M.S.、以及平均绝对误差MAE。
步骤2中,将处理后的将数据集划分为训练集、测试集和验证集,将训练集δ=(X,Y)均匀划分为K块子集:δ={δ1,δ2,...δK},首先令δf={δ1,δ2,...δf}为训练集,余下数据集δf+1为测试集,之后逐步向前选择新的训练集和测试集,直至K-f折交叉验证结束数据集;其中训练集用来构建NNG-OSELM网络模型;测试集用来测试模型的精度;验证集为实时数据流,用来验证模型的泛化性能。
步骤3中,利用网格搜索法和交叉验证法对ELM网络的超参数调优,得到初始ELM训练模型。
步骤11中,将式(8)写成矩阵形式:
步骤111:用奇异值分解法求解式(9)的广义逆矩阵矩阵,计算公式如下:
步骤113:进一步通过矩阵运算可得:
步骤114:最终获取NNG-OSELM输出模型,如式(13):
步骤115:通过步骤114获取的软测量模型计算测试集的预测值,计算公式如式(14)所示:
通过上述描述可以本发明提供一种基于非负绞杀和极限学习机的在线预测软测量建模方法。本发明将NNG和ELM相结合,建立了一种新的数据驱动在线预测软测量模型NNG-OSELM。相比其他方法,NNG用于数据变量选择,OS-ELM用于在线预测实时数据。通过这种方式,NNG-OSELM可以建立输入变量更少、可实时在线预测及预测精度高的软测量模型。
附图说明
图1为本发明具体实施方式的流程图。
图2为载流品位分析仪的测量原理图。
图3为第一批测试集的真实值和预测值之间的拟合图。
图4为各候选输入变量对应的收缩系数。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整地描述,显然,所描述的具体实施方式仅仅是本发明一种具体实施方式,而不是全部的具体实施方式。基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
通过附图可以看出,本发明的在线预测软测量建模方法,包括以下:
步骤2:对所述过程变量和实验室标定样品数据进行数据预处理,包括剔除异常点及数据归一化处理,得到处理后的数据集:包括输入变量X∈RN×P和输出变量Y∈RN×1;所述归一化具体为其中X表示x对应列的所有样本数据。
步骤3:将处理后的将数据集划分为训练集、测试集和验证集,将训练集δ=(X,Y)均匀划分为K块子集:δ={δ1,δ2,...δK},首先令δf={δ1,δ2,...δf}为训练集,余下数据集δf+1为测试集,之后逐步向前选择新的训练集和测试集,直至K-f折交叉验证结束数据集。
其中训练集用来构建NNG-OSELM网络模型。测试集用来测试模型的精度;验证集为实时数据流,用来验证模型的泛化性能。
步骤4:利用网格搜索法和交叉验证法对ELM网络的超参数调优,得到初始ELM训练模型。
步骤5:随机初始化输入层、隐含层的参数αi、bi,构建初始化ELM网络,如式(1)所示:
式(1)中,g(·)为sigmoid激活函数,输入变量x=[x1,x2,...,xp],yq为输出变量,βi=[βk1,βk2,...,βkm]T为ELM隐含层与输出层的连接权值。
步骤6:随机初始化s,f,K:令s←s1、f←5、K←10,s为绞杀超参数。
步骤7:将NNG算法收缩算子θi嵌入ELM网络,建立新的ELM网络,如式(2)所示:
式中(4)中,y为训练样本的真实值。
步骤9:进一步地,通过K折交叉验证计算当前训练集下的AIC的平均值,计算公式如式 (5)所示:
步骤10:获取当前AICc准则下对应的s值及收缩系数θi *=[θ1,θ2,...θi]
步骤12:将优化收缩系数代入ELM初始阶段得到输出权重,重新构建新的ELM网络结构,如式(6)所示:
将式(6)写成矩阵形式:
步骤13:用奇异值分解法求解该式的广义逆矩阵矩阵,计算公式如下:
步骤15:进一步通过矩阵运算可得:
步骤16:进一步通过伍德伯里矩阵恒等式可得:
将Ak+1 -代入公式(11)可得网络更新后的输出权重,计算公式如式(13)所示:
步骤17:最终获取NNG-OSELM输出模型,如式(14):
步骤18:通过步骤17获取的软测量模型计算测试集的预测值,计算公式如式(15)际:
步骤18:对新的模型Tq+1的性能进行评价,具体为根据模型性能评价指标对新的模型Tq+1性能进行评价;所述模型的性能评价指标包括3个,分别为均方根误差、决定系数R2以及平均绝对误差MAE。
进一步地,将验证集变为实时数据流,通过验证集验证模型的泛化性能。
通过步骤18所述的模型性能评价指标评价验证集模型性能。
以下结合实际的测量矿浆铜品位的过程来说明本发明的有效性。这个过程是载流品位分析仪在实际测量矿浆金属铜品位的原理及过程。载流品位分析仪是一类矿浆金属元素在线检测仪器,常用于在线测量矿浆多种金属品位,包括一次取样器、矿浆多路分配器、总体控制单元、分析仪探头和分析仪管理站组成。分析仪探头是分析仪的核心单元之一,作用是直接测量矿浆多路转换器中的矿浆试样,完成通讯、测量、监控以及独立运转的功能。其工作原理为:光表现为波粒二象性,光的波长与光子所携带的能量成反比(E=hc/λ,E为能量,h为普朗克常量, c为光速,λ为波长)。由于每个化学元素都有一个带正电荷的原子核,因此其电子的轨道具有不同的高能含量。给定化学元素的电子从远处的轨道移动到近处的轨道,它发射出一个具有其特征的光子,并且其能量与在其光谱中观察到的光的波长相对应。理论上讲,在光速为定值的情况下,只需要检测出二次射线的波长属性或者能量属性即可分辨出元素的特征射线,品位分析仪中安装了检测波长属性(分光晶体+半导体探测器)和能量属性(能量通道)的两种检测原件,检测出的数值也分为波长色散和能量色散两种数据。两种通道获取的特征谱线会转换成数字信号分析标定,通过传感器导入数据库,利用NNG-OSELM进行建模分析。从理论和实际上看,波长色散和能量色散的检测结果具有较高的相关性。测量原理图如图2所示。其中包含15个输入变量如表1所示以及1个输出变量(实验室标定样品铜的品位),该过程共收集了900组数据。将处理后的数据分为4批数据,第一批数据用作训练集,剩下的数据分批作为测试集。
表1:矿浆铜品位测量过程中软测量建模的输入变量
数据预处理后,首先构建一个ELM网络模型,根据参数调优,确定ELM网络参数输入隐藏层节点数为18,最终确定新的软测量模型,并通过测试集进行在线预测。表2—表4给出了本发明方法针对矿浆中铜品位的不同批次的预测结果,图3给出了第一批测试集的真实值和预测值之间的拟合图。图4给出了各候选输入变量对应的收缩系数。
表2:第一批测试集的性能评价指标
表3:第二批测试集的性能评价指标
表4:第三批测试集的性能评价指标
通过表2—表4可知,与上述三种算法相比,基于输入变量选择的NNG-OSELM在线预测算法的各项性能指标均有提升,充分证明了通过有效输入变量选择可降低模型的复杂度,提高模型的预测精度,验证了算法的有效性。
尽管已经示出和描述了本发明的具体实施方式,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种矿浆铜品位在线预测软测量建模方法,其特征在于包括如下步骤,
步骤2、对所述过程变量和实验室标定样品数据进行数据预处理,处理后的数据集,包括输入变量x∈RN×P和输出变量yq∈RN×1;并将处理后的数据集划分为训练集、测试集;
步骤3、对ELM网络的超参数调优,得到初始ELM训练模型;
步骤4、随机初始化输入层、隐含层的参数αi、bi,构建初始化ELM网络,如式(1):
式(1)中,g(·)为sigmoid激活函数,输入变量x=[x1,x2,…,xp],yq为输出变量,βk=[βk1,βk2,…,βkm]T为ELM网络隐含层与输出层的连接权值,L为隐含层节点数;
步骤5、将NNG算法收缩算子θi嵌入ELM网络,建立新的ELM网络,如式(3)所示:
其中,y为训练样本的真实值,s为绞杀超参数;
步骤7、验证计算当前训练集下的AIC的平均值AICc,计算公式如式(5)所示:
步骤9、将优化收缩系数代入ELM初始阶段得到输出权重,重新构建新的ELM网络结构,如式(6)所示:
步骤11:通过步骤9获取的软测量模型计算测试集的预测值,计算公式如式(8)所示:
步骤12:对新的模型Tq+1的性能进行评价,具体为根据模型性能评价指标对新的模型Tq+1性能进行评价,将验证集变为实时数据流,验证模型的泛化性能。
3.根据权利要求2所述矿浆铜品位在线预测软测量建模方法,其特征在于,
步骤2中,将处理后的将数据集划分为训练集、测试集和验证集,将训练集δ=(X,Y)均匀划分为K块子集:δ={δ1,δ2,…δK},首先令δf={δ1,δ2,…δf}为训练集,余下数据集δf+1为测试集,之后逐步向前选择新的训练集和测试集,直至K-f折交叉验证结束数据集;其中训练集用来构建NNG-OSELM网络模型;测试集用来测试模型的精度;验证集为实时数据流,用来验证模型的泛化性能。
4.根据权利要求1所述矿浆铜品位在线预测软测量建模方法,其特征在于,
步骤3中,利用网格搜索法和交叉验证法对ELM网络的超参数调优,得到初始ELM训练模型。
5.根据权利要求1所述矿浆铜品位在线预测软测量建模方法,其特征在于,
步骤5中,随机初始化NNG网络的s,f,K:令s←s1、f←5、K←10,s为绞杀超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275077.4A CN114626304B (zh) | 2022-03-21 | 2022-03-21 | 一种矿浆铜品位在线预测软测量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275077.4A CN114626304B (zh) | 2022-03-21 | 2022-03-21 | 一种矿浆铜品位在线预测软测量建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626304A true CN114626304A (zh) | 2022-06-14 |
CN114626304B CN114626304B (zh) | 2024-02-27 |
Family
ID=81903260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275077.4A Active CN114626304B (zh) | 2022-03-21 | 2022-03-21 | 一种矿浆铜品位在线预测软测量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626304B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952853A (zh) * | 2023-03-14 | 2023-04-11 | 沈阳隆基智能技术研究有限公司 | 矿浆密度检测模型构建方法、装置及矿浆密度检测*** |
CN116738120A (zh) * | 2023-08-11 | 2023-09-12 | 齐鲁工业大学(山东省科学院) | 面向x荧光品位分析仪的铜品位scn建模算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
CN109840362A (zh) * | 2019-01-16 | 2019-06-04 | 昆明理工大学 | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112016241A (zh) * | 2020-07-23 | 2020-12-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于mLASSO-MLP模型的软测量建模方法 |
CN112348655A (zh) * | 2020-09-29 | 2021-02-09 | 百维金科(上海)信息科技有限公司 | 一种基于afsa-elm的信用评估方法 |
CN112989711A (zh) * | 2021-04-25 | 2021-06-18 | 昆明理工大学 | 一种基于半监督集成学习的工业过程软测量建模方法 |
-
2022
- 2022-03-21 CN CN202210275077.4A patent/CN114626304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
CN109840362A (zh) * | 2019-01-16 | 2019-06-04 | 昆明理工大学 | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 |
CN112016241A (zh) * | 2020-07-23 | 2020-12-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于mLASSO-MLP模型的软测量建模方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112348655A (zh) * | 2020-09-29 | 2021-02-09 | 百维金科(上海)信息科技有限公司 | 一种基于afsa-elm的信用评估方法 |
CN112989711A (zh) * | 2021-04-25 | 2021-06-18 | 昆明理工大学 | 一种基于半监督集成学习的工业过程软测量建模方法 |
Non-Patent Citations (3)
Title |
---|
李培;陈颖;马小平;于得祥;: "基于PCA―ELM的煤矿突水预测方法研究", 工矿自动化, no. 09, 27 August 2013 (2013-08-27) * |
李荣雨;戚桂洪;: "基于CSSE-OSELM算法的软测量建模及其工业应用", 计量学报, no. 05, 22 September 2017 (2017-09-22) * |
赵立杰;王海龙;陈斌;: "基于流形正则化半监督学习的污水处理操作工况识别方法", 化工学报, no. 06, 31 December 2016 (2016-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952853A (zh) * | 2023-03-14 | 2023-04-11 | 沈阳隆基智能技术研究有限公司 | 矿浆密度检测模型构建方法、装置及矿浆密度检测*** |
CN116738120A (zh) * | 2023-08-11 | 2023-09-12 | 齐鲁工业大学(山东省科学院) | 面向x荧光品位分析仪的铜品位scn建模算法 |
CN116738120B (zh) * | 2023-08-11 | 2023-11-03 | 齐鲁工业大学(山东省科学院) | 面向x荧光品位分析仪的铜品位scn建模算法 |
Also Published As
Publication number | Publication date |
---|---|
CN114626304B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Prediction for Time Series with CNN and LSTM | |
CN106845796B (zh) | 一种加氢裂化流程产品质量在线预测方法 | |
CN114626304A (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
CN106815643A (zh) | 基于随机森林迁移学习的红外光谱模型传递方法 | |
CN109632693A (zh) | 一种基于blstm-rnn的太赫兹光谱识别方法 | |
CN107958267B (zh) | 一种基于光谱线性表示的油品性质预测方法 | |
CN113011796A (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
CN111649779B (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
Wang et al. | Quality control of online monitoring data of air pollutants using artificial neural networks | |
CN110736707A (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
Song et al. | A novel approach based on matrix factorization for recovering missing time series sensor data | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
Hajimohammadi et al. | Numerical learning approximation of time-fractional sub diffusion model on a semi-infinite domain | |
CN105466885A (zh) | 基于无测点温度补偿机制的近红外在线测量方法 | |
CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN113959974B (zh) | 一种普适性近红外光谱模型的传递方法 | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
CN105787507A (zh) | 基于预算支持向量集的LS-SVMs在线学习方法 | |
CN113722988B (zh) | 定量构效关系模型预测有机物pdms膜-空气分配系数的方法 | |
Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模***及方法 |
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 |