基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

稀疏回声状态网络优化设计及应用研究

这是一篇关于稀疏回声状态网络,输出权值计算,正则化,多目标优化,出水氨氮预测的论文, 主要内容为近年来,随着人工智能技术的高速发展,递归神经网络(Recurrent neural network,RNN)由于其良好的记忆能力得到广大学者关注,但其存在梯度爆炸、梯度消失、训练复杂度高等问题。作为一种新型RNN,回声状态网络(Echo state network,ESN)的隐含层由大量稀疏连接的神经元构成,在训练过程中输入权值和内部权值保持不变,仅需对输出权值进行更新。因此,与其他RNN相比,ESN具有更加简单的训练方式和良好的学习能力。ESN的核心结构是稀疏连接的储备池,网络初始化时,为了更好捕获复杂的样本特征,储备池规模一般较大,冗余的网络结构将降低其泛化能力。因此,如何稀疏网络结构,提高其泛化能力是亟需解决的问题。针对该问题,本文分别从单目标和多目标的角度出发,提出相应的稀疏ESN优化设计方法,通过修剪输出权值,稀疏网络结构,提高网络性能。论文主要研究内容如下:(1)基于l1正则化的稀疏ESN单目标优化设计。针对ESN结构冗余导致的泛化能力低问题,提出一种基于坐标下降法和l1正则化的稀疏ESN设计方法(Sparse echo state network based on coordinate descent method and l1 regularization,CD-ESN)。首先,在目标函数中添加正则化项,惩罚输出权值,利用l1正则化方法将贡献度低的输出权值收缩为0,从而间接修剪储备池神经元,得到稀疏的网络模型;然后,设计了基于坐标下降法的权值学习算法,对输出权值进行训练更新,加速算法收敛;最后,将模型应用于Lorzen和Mackey-Glass时间序列预测中验证其性能。实验结果表明所提方法可以得到紧凑的网络结构,有效提高网络泛化能力和预测精度。(2)基于MOEA/D的稀疏ESN多目标优化设计。针对CD-ESN中正则化参数难以确定的问题,提出一种基于MOEA/D的稀疏ESN设计方法(Sparse echo state network based on MOEA/D,MDO-ESN)。首先,将ESN的结构和训练误差建模为一个多目标优化问题,利用MOEA/D算法同时最小化网络结构和误差;然后,提出一种基于坐标下降法的局部搜索算法,加速算法收敛;最后,提出一种自适应权值更新算法,根据决策者的偏好自适应更新权重向量,引导算法收敛至偏好区域。实验结果表明,与其他ESN模型相比,该方法可以有效稀疏网络结构,加速算法收敛至偏好区域,提高网络泛化性能,具有更好的预测能力。(3)基于稀疏ESN的出水氨氮软测量模型设计。针对城市污水处理过程中出水氨氮浓度难以测量的问题,建立了基于稀疏ESN的出水氨氮软测量模型。首先,利用探测插值等方法清洗、规范输入数据;然后,提出基于随机森林的出水氨氮辅助变量选择方法,通过计算每个特征变量对出水氨氮的重要度,筛选与出水氨氮密切相关的特征变量,利用CD-ESN和MDO-ESN建立出水氨氮软测量模型;最后,利用北京市朝阳区某污水处理厂数据对所建立的软测量模型进行测试。实验结果表明,所建立的模型能够稀疏网络结构,较其他软测量模型具有较强的泛化能力,可以实现污水处理出水氨氮的准确预测。(4)基于稀疏ESN的出水氨氮预测系统开发。论文设计开发了一套基于稀疏ESN的出水氨氮预测系统。首先,根据用户需求分析系统所需具备的功能;然后,对系统进行设计,主要分为系统开发分析和功能设计两部分,其中包括用户管理功能,数据清洗、归一化等数据预处理功能和出水氨氮预测功能;最后,将该系统应用于实际污水处理过程中。系统将污水处理与仿真技术紧密结合起来,通过先进的仿真技术,对出水氨氮进行预测,为后续实现污水水质的在线检测和实时控制奠定了基础。

基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。

基于矩阵完备化的lncRNA-疾病关联预测研究

这是一篇关于矩阵完备化,网络融合,正则化的论文, 主要内容为近年来,越来越多的生物学实验和临床报告表明,长非编码RNA(lncRNA)在生物体RNA中占有很大比例,在细胞生长发育、基因表达调节、替代剪接、核组织等各种生物过程中起到关键作用。lncRNA异常表达或功能障碍与各种复杂的人类疾病密切相关,因此预测lncRNA-疾病的关联对疾病的诊断和治疗是必要的。lncRNA和人类复杂疾病的数目繁多,而验证lncRNA-疾病之间相关性的生物实验耗时周期长且昂贵,所以开发有效的计算模型对生物信息学领域发展有重要意义。针对以上问题,本文主要完成的工作如下:1.将lncRNA-疾病关联预测问题看作是推荐系统问题,本文提出一种矩阵完备化的lncRNA-疾病关联预测方法(MCLDA),MCLDA首先分别计算lncRNA和疾病的两种不同类型相似性并进行网络融合,之后分别用主成分分析提取出lncRNA和疾病相似性的主要特征向量矩阵。对于新的lncRNA,根据其邻居的相互作用来重写lncRNA-疾病邻接矩阵从而解决冷启动问题。最后基于矩阵完备化模型框架完成关联预测。2.考虑到功能相似的lncRNA包含相似的关联模式,表型相似的疾病具有相似的关联模式,它们是关联邻接矩阵当中lncRNA和疾病的内在结构,本文提出了一种基于正则化的矩阵完备化的lncRNA-疾病关联预测方法(MCRLDA)。MCRLDA运用流形学习,将矩阵内在信息视为引入基础结构的正则化项,结合lncRNA关联模式和疾病关联模式的近似度来恢复与完备关联矩阵。本文提出基于矩阵完备化的lncRNA-疾病关联预测方法,实验结果表明MCLDA和MCRLDA的预测性能都优于之前的一些公开预测方法。为了进一步验证模型性能,本文对几种人类重大疾病进行了相关案例分析。

基于改进集成随机权神经网络的精矿产量在线预报系统

这是一篇关于选矿过程,精矿产量,相关性分析,最大信息系数,遗传算法,集成随机权神经网络,正则化,负相关学习,在线学习,实验系统的论文, 主要内容为选矿是将原矿石经过复杂的物理/化学变化分离成有用矿物和脉石并使有用矿物富集起来的一种流程工业过程。该过程由一系列的复杂工序串联或并联组成,每道工序都有评价其生产运行状况或产品质量的指标,称为工艺指标。而对整个选矿流程进行评价的指标为综合生产指标,主要有精矿产量和精矿品位;其在很大程度上取决于工艺指标。综合生产指标是选矿生产过程的最重要指标,如何按照综合生产指标有效地调整整个选矿生产流程是保证选矿企业效益的关键。然而选矿全流程综合生产指标难以在线获取,一般都是采用离线化验的方法得到,难以满足生产优化实时性的要求。因此,需要建立精确的综合生产指标预报模型来对其进行预报,这对于实现整个选矿过程的优化控制具有非常重要的意义。现有的选矿生产指标预报模型的输入变量大都是基于研究人员的经验确定,不能有效避免噪声变量也无法直观地展现目标变量和各输入变量之间的相关性。而现有智能建模方法如BP网络等弱学习机大都基于经验风险最小化,容易产生过拟合,泛化性能差。而集成学习克服了弱学习机的上述不足,增强了模型泛化性能。此外,现有预报方法大多是离线学习,不能较好的适应选矿过程工况以及环境的变化。本文针对上述问题,依托国家自然科学基金项目“复杂工业过程运行指标闭环优化方法研究(61273031)”,开展了选矿过程综合生产指标预报的研究以及选矿综合生产指标预报模型实验系统的开发,主要工作如下:(1)针对选矿过程综合生产指标预报模型输入变量选择的问题,引入最大信息系数算法分析选矿过程中各工艺变量、原矿性质与生产工况条件指标和综合精矿产量指标之间的关系,根据所得的相关性值并结合实际的选矿过程,然后选择和综合精矿产量具有较强相关性的变量作为精矿产量预报模型的输入变量。(2)提出了一种改进集成随机权神经网络的选矿过程综合精矿产量在线预报方法。其中,集成随机权神经网络算法采用正则化负相关学习策略来集成个体模型;通过在线学习方法对新数据进行学习同时更新模型,使得模型具有更好的适应性能;并提出了激励函数参数优化方法。为验证算法的有效性,采用6个标准测试数据对所提算法进行测试,实验结果表明本文算法相对于现有方法具有更好的性能。此外,采用实际选矿数据进行应用研究,在模型变量选择基础上进行选矿过程精矿产量指标的预报,通过与前人搭建的Adaptive cPSO、PCA-MGA-LSSVM和Online-DNNE等预报模型相比,本文所提方法具有更高的预报精度,验证了算法和变量选择方法的有效性。(3)在上述预报模型理论研究基础上开发了“选矿过程综合精矿产量预报模型实验系统”。该系统基于“Apache+PHP+MySQL”的系统基本构架,采用vue+webpack渐进式框架,算法程序采用MATLAB编程技术。系统中集成了不同的变量选择方法,不同的预报模型回归器算法;通过该系统可以实现对不同模型预报性能的研究,同时还可以进行模型参数对其性能影响的研究。最后,通过实验验证了系统的有效性。