检索结果-内蒙古大学图书馆

东北大学学报（自然科学版） 2010年第3期31卷 305-308,316页

作者：丛秋梅柴天佑余文东北大学信息科学与工程学院辽宁沈阳110004 东北大学流程工业综合自动化教育部重点实验室辽宁沈阳110004 墨西哥国立理工大学高级研究中心(CINVESTAV-IPN) mexicodf墨西哥07360

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以... 详细信息

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.

关键词：小波神经网络输入-状态稳定性稳定学习算法鲁棒稳定性污水处理过程化学需氧量

来源：评论

学校读者我要写书评

暂无评论

针对弱标记和稳定算法的多标记集成学习

针对弱标记和稳定算法的多标记集成学习

引用

作者：李凤英中南大学

学位级别：硕士

随着现代各种技术的迅速发展,现实生活中越来越多的应用与多标记数据密切相关,因此,多标记数据的分类方法及其应用成为当前数据挖掘和机器学习领域的热点问题。其中基于集成学习的多标记数据分类方法是非常值得研究和探讨的一个方向。... 详细信息

随着现代各种技术的迅速发展,现实生活中越来越多的应用与多标记数据密切相关,因此,多标记数据的分类方法及其应用成为当前数据挖掘和机器学习领域的热点问题。其中基于集成学习的多标记数据分类方法是非常值得研究和探讨的一个方向。集成学习能提高分类器的性能,Adaboost算法是典型的集成学习算法之一。但是,之前研究Adaboost算法是基于不稳定且变化较大的学习算法,比如：决策树,神经网络等。本文扩展研究了Adaboost算法,使其在稳定且变化不大的算法的基础上也能有很好的性能。在本文中,我们研究了基于懒惰算法——改进的K近邻学习算法MLKNN的Adaboost算法,并提出了***算法。该算法的基本思想是：用MLKNN做AdaBoost算法的基分类器,并对AdaBoost算法做一部分修改,使其适合MLKNN算法,提高算法的性能。实验结果表明,***算法具有很好的分类性能。另一方面,多标记数据分类算法的研究越来越多,多标记数据分类算法主要是解决样本同时属于多个类别的分类问题,它适用于各种各样的分类任务,但是,传统的多标记数据分类学习中,分类器大多都是针对大量的具有完整标记的训练样本,然而,在现实生活的许多应用中,只能够获得一些标记不完整的训练样本。为了更好的利用这些不完整的训练样本即弱标记训练样本,本文提出了一种针对弱标记的多标记数据分类的集成学习算法RPCME算法。该算法通过采用基于相似形成对约束投影的方法来处理数据集,更好的利用了弱标记样本的特征,从而提高了分类器的分类性能。大量实验表明,HRPCME算法在弱标记样本的情况下,具有很好的分类性能。本文主要研究了基于稳定分类器的Adaboost算法和针对弱标记样本的多标记集成学习的问题,并提出了***算法和RPCME算法,这为将来研究基于集成学习的多标记数据分类方法提供了良好的思路借鉴。

关键词：多标记数据分类集成学习稳定学习算法弱标记数据

来源：评论

学校读者我要写书评

暂无评论

活性污泥污水处理过程水质软测量方法的研究

活性污泥污水处理过程水质软测量方法的研究

引用

作者：丛秋梅东北大学

学位级别：博士

污水处理过程是去除城市居民污水和工业废水中富含的碳、氮、磷等有机污染物以及有毒重金属等无机污染物的重要工业过程,大多数污水处理厂采用活性污泥法,使处理后的水质指标达到可排放要求。其中COD(化学需氧量,Chemical Oxygen Demand... 详细信息

污水处理过程是去除城市居民污水和工业废水中富含的碳、氮、磷等有机污染物以及有毒重金属等无机污染物的重要工业过程,大多数污水处理厂采用活性污泥法,使处理后的水质指标达到可排放要求。其中COD(化学需氧量,Chemical Oxygen Demand)是表征有机强度的重要水质指标,是国家环保总局规定的污染物总量控制主要指标之一。由于A/O(缺氧／好氧,Anoxic/Oxic)过程中间工序缺氧池和好氧池出水、二沉池最终出水的水质COD不能连续在线检测,现有的COD检测方法多采用离线化验方法,具有操作繁复、化验测量滞后大等问题,难以实现水质的实时反馈控制,因此有必要研究有效的水质软测量方法。污水处理过程的微生物生化反应机理复杂,入水负荷的波动使运行工况出现大范围频繁波动,运行条件、进水水质特性、生化反应等因素使过程具有强非线性、不确定性和时变性,难以建立精确的机理模型,采用纯机理模型建立出水水质软测量模型时难以保证软测量精度。因此,为实现污水处理过程出水水质的在线监控、保证出水指标达标、提高污染物处理效率,有必要研究及时准确地估计污水水质的软测量方法。本文针对污水处理过程的复杂特性,以准确估计出水水质COD为目标,开展了水质COD在线软测量建模方法的研究。本文的主要工作归纳如下： (1)针对当非线性系统存在未建模动态或不确定干扰时,采用常规误差反传算法的神经网络建模方法难以保证模型建模误差稳定性的问题,提出了一类具有稳定学习算法的小波神经网络建模方法,保证了模型建模误差的稳定性。其中稳定学习算法是基于输入到状态稳定性(ISS, Input-to-State Stability)理论推导得出,并给出了小波神经网络模型建模误差稳定性分析过程。分别比较了带噪声和不带噪声两种情况下基于稳定学习算法的小波神经网络模型和基于常规误差反传算法的小波神经网络模型、基于稳定学习算法的小波神经网络模型和基于常规误差反传算法的MLP神经网络模型的软测量性能；将所提出的建模方法用于污水处理过程二沉池出水COD的在线软测量,以沈阳某污水处理厂的实际运行数据进行了实验研究,结果表明了所提出的基于稳定学习算法的小波神经网络建模方法的有效性。 (2)针对污水处理过程二沉池出水水质难以在线检测,高负荷、正常负荷、低负荷工况大范围频繁波动,水质软测量模型精度不高的问题,提出了小波神经网络和Hammerstein模型(简称为H模型)结合的污水处理过程二沉池出水COD多模型在线软测量方法,软测量模型包括工况识别机制、各运行工况下基于H模型的局部水质软测量模型、多模型合成机制三部分。其中工况识别机制将污水处理过程工况特征变量的历史数据样本进行减法聚类,将运行工况划分为高负荷、正常负荷、低负荷工况,确定初始工况中心位置,为了表征各运行工况特性随时间的变化,采用新工况特征变量样本与工况中心之间的相近度函数在线修正工况中心,并计算新样本属于各工况的隶属度,识别出当前工况与各运行工况匹配的程度；局部模型采用H模型(简称为局部H模型),H模型的非线性静态部分模型由小波神经网络模型建立,线性动态部分模型由ARX(Auto-Regressive eXogeneous)模型建立,其中小波神经网络采用稳定学习算法学习,ARX模型采用递推最小二乘法辨识；多模型合成机制基于局部模型输出加权求和得到软测量模型输出,局部H模型输出的权值采用工况识别机制计算的工况特征变量属于各工况的隶属度。以实际运行数据进行了仿真实验,结果证明,所提出的污水水质COD多模型在线软测量模型在工况大范围变化条件下具有较高的软测量精度。 (3)针对A/O过程中间工序缺氧池和好氧池出水水质、二沉池最终出水水质难以在线检测,缺乏中间工序水质的化验值,基于数据驱动的方法不适于建立有效的中间工序出水水质软测量模型的问题,提出了基于机理模型和神经网络的污水处理过程中间工序和二沉池出水COD混合在线软测量方法,软测量模型包括基于机理模型的缺氧池模型和好氧池模型、二沉池模型、基于神经网络的缺氧反应速率模型和好氧反应速率模型、组分计算模型、水质计算模型七部分。其中缺氧池模型和好氧池模型采用SASM1模型(Simplified Activated Sludge Model No.1), SASM1模型是结合A/O工艺过程,由活性污泥机理模型ASM1进一步简化得到的；二沉池模型采用理想压缩点模型；缺氧反应速率模型和好氧反应速率模型采用MLP神经网络,分别辨识缺氧池和好氧池模型中的敏感组分反应速率,基于误差反传和链式规则的思想,得到混合模型建模误差与缺氧反应速率模型、好氧反应速率模型建模误差之间的关系,分别学习缺氧反应速率模型和好氧反应速率模型；组分计算模型将进水水质指标值按百分比进行分解,计算出SASM1模型中

关键词：污水处理过程活性污泥过程出水水质 COD(Chemical Oxygen Demand) 稳定学习算法多模型混合模型

来源：评论

学校读者我要写书评

暂无评论

稳定RBF神经网络的在线软测量建模方法

引用

控制工程 2018年第5期25卷 823-828页

作者：丛秋梅邓淑贤赵宇王艳辽宁石油化工大学信息与控制工程学院

针对RBF（Radial Basis Function）神经网络在存在未建模动态或不确定干扰时,采用梯度下降法建模出现不稳定、实时性和鲁棒性较差的问题,提出了带有稳定学习算法的RBF神经网络在线软测量建模方法。以隐含层径向基函数为Gaussian函数的RB... 详细信息

针对RBF（Radial Basis Function）神经网络在存在未建模动态或不确定干扰时,采用梯度下降法建模出现不稳定、实时性和鲁棒性较差的问题,提出了带有稳定学习算法的RBF神经网络在线软测量建模方法。以隐含层径向基函数为Gaussian函数的RBF神经网络为例,通过分析ISS（Input-to-State Stability,输入到状态稳定性）-Lyapunov函数,得到网络权值和径向基函数参数的稳定学习算法,并证明RBF神经网络辨识误差的有界性。稳定学习算法可抑制过程未建模动态和不确定干扰的影响,使软测量模型具有较高的预测精度和自适应能力。以非线性对象和实际污水处理过程为例进行了仿真,结果表明,以稳定RBF神经网络建立的软测量模型具有较好的鲁棒性和在线软测量性能。

关键词：径向基函数软测量建模稳定学习算法输入到状态稳定性

来源：评论

学校读者我要写书评

暂无评论

基于稳定学习的碳酸碱浓度模糊建模方法

基于稳定学习的碳酸碱浓度模糊建模方法

引用

第23届过程控制会议

作者：王魏柴天佑大连海洋大学信息工程学院大连 116023 辽宁省海洋信息技术重点实验室大连 116023 流程工业综合自动化国家重点实验室（东北大学）沈阳 110819

针对氧化铝生产过程原矿浆制备工序碳酸碱浓度机理模型难以建立，无法实现在线检测的问题，通过对铝酸钠溶液温度和电导率的特性分析，提出一种基于同步聚类和稳定学习的碳酸碱浓度模糊建模方法。首先采用同步聚类算法将建模数据分类，... 详细信息

针对氧化铝生产过程原矿浆制备工序碳酸碱浓度机理模型难以建立，无法实现在线检测的问题，通过对铝酸钠溶液温度和电导率的特性分析，提出一种基于同步聚类和稳定学习的碳酸碱浓度模糊建模方法。首先采用同步聚类算法将建模数据分类，并对聚类中心及分类进行离线修正，然后对每类数据进行模糊TS建模，并采用稳定学习算法对模型参数进行在线校正，保证辨识误差有界。将其应用于氧化铝生产过程碳酸碱浓度的软测量，现场实际数据预测结果表明了方法的有效性。

关键词：铝酸钠浓度分布模糊建模同步聚类算法稳定学习算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：