稀疏过程论文_江升,旷天亮,李秀喜

导读:本文包含了稀疏过程论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:稀疏,过程,高斯,故障,分解,协方差,通流。

稀疏过程论文文献综述

江升,旷天亮,李秀喜^[1]（2019）在《基于稀疏过滤特征学习的化工过程故障检测方法》一文中研究指出过程安全一直以来是化学工业中尤为重要的问题之一,故障检测与诊断(FDD)作为化工异常工况管理最有力的工具之一,给过程安全提供了保障。随着深度学习的发展,很多智能学习算法已经被提出,然而这些算法却很少被应用到FDD中来。提出了一种基于稀疏过滤和逻辑回归(SFLR)算法的化工过程故障检测新方法。采用TE过程和环己烷无催化氧化制环己酮过程对提出的方法进行了验证,结果表明,所提出的方法均具有较高的诊断精度,案例研究表明提出的方法可以及时有效地诊断出故障。(本文来源于《化工学报》期刊2019年12期）

金敏骏,栾小丽,刘飞^[2]（2019）在《基于稀疏主元的原油脱盐过程近红外故障检测》一文中研究指出本文从过程信息的分子层面利用近红外光谱技术研究了原油脱盐过程的故障检测问题。不同于传统基于宏观过程变量的故障检测手段,近红外光谱技术从分子振动信号中获取过程信息,利用所获得的微观分子光谱数据,本文采用稀疏主元分析(SPCA)算法,通过将主元(PC)上的一些载荷压缩为零,以解决由近红外光谱数据维度过高带来的过灵敏问题。将所提方法应用在原油脱盐过程的故障检测结果表明,基于微观分子光谱数据的检测结果在时间上比基于传统宏观过程变量的早了约140分钟,且相对基于主元分析的故障检测方法,具有更高的故障检测精度。(本文来源于《计算机与应用化学》期刊2019年04期）

刘楠,吴奇^[3]（2019）在《基于深度稀疏高斯过程的人体姿态估计》一文中研究指出高斯过程(Gaussian Process)模型由于其在函数估计方面的灵活性和非参数性,在解决输入输出均为多元变量的人体姿态估计问题中,发挥了重要作用.然而,高斯过程只能代表一类受限的函数,使其应用范围仍然受到诸多限制.因此,本文提出了一种深度稀疏高斯过程(Deep Sparse Gaussian Process)来解决这种局限性,并将其应用于人体姿态估计的问题中.深度稀疏高斯过程是由基本的高斯过程通过递归形成的多层网络模型,但整个模型不再是一个高斯过程,具有更强的学习能力和泛化能力,可以求取更为复杂的问题的近似解,同时具有更好的灵活性.本文构建了一个适于深度稀疏高斯过程的变分近似结构,将变分的方法和隐变量模型(Latent Variable Model)整合到深度模型中,从而获得一个非监督的深度非参数生成模型,同时,在模型中引入了稀疏的方法,使其在面对大规模数据时仍有较强的适用性.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）

李军,杜雪^[4]（2019）在《稀疏高斯过程在短期风电功率概率预测中的应用》一文中研究指出针对短期风电功率预测,提出一类基于稀疏高斯过程(sparse gaussian processes,Sparse-GP)的概率预测方法。通过对数据集随机划分所形成的数据子集,给出基于数据点子集(subset of datapoints,SoD)近似、回归子集(subset of regressors,SoR)近似、投影过程(projected process,PP)近似算法的3种Sparse-GP方法,该方法不仅能给出模型的均值预测,而且能获取模型的预测方差,这很好地解释了模型置信水平。不同的Sparse-GP方法在保持常规GP方法优点的同时,还能解决GP方法随着训练数据增加而产生的矩阵运算困难等难题,且计算效率高。将具有不同协方差函数形式的Sparse-GP方法应用于不同地区的短期风电功率单步与多步预测实例中,在同等条件下还与常规GP、SVM方法进行对比。实验结果表明,Sparse-GP方法可以给出较好的预测效果,且适用于较大规模数据集的训练。(本文来源于《电机与控制学报》期刊2019年08期）

韩春颖,周亚同,常和玲,池越,何静飞^[5]（2019）在《基于稀疏高斯过程混合模型的短时交通流预测》一文中研究指出交通流预测在智能交通系统中起重要作用。由于短时交通流的时变性,传统预测模型效果较差。将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组。将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比。同时将新的学习算法与传统variational和LooCV学习算法比较。结果表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型。(本文来源于《交通信息与安全》期刊2019年01期）

蒋兰青,邱雷颦^[6]（2019）在《一类带有稀疏过程的混合双险种最优再保险》一文中研究指出在稀疏相关风险模型基础上,将调节系数视为成数与超额赔款混合再保险中保险人自留额的函数,通过最大化调节系数得到保险公司的最优自留额。(本文来源于《江汉大学学报(自然科学版)》期刊2019年01期）

郭小萍,刘诗洋,李元^[7]（2019）在《基于稀疏残差距离的多工况过程故障检测方法研究》一文中研究指出针对多工况过程,本文提出一种新的基于稀疏残差距离(Sparse residual distance, SRD)统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE (Tennessee Eastman)生产过程进行仿真实验,验证了所提方法的有效性.(本文来源于《自动化学报》期刊2019年03期）

任世锦,李新玉,徐桂云,潘剑寒,杨茂云^[8]（2018）在《半监督稀疏鉴别核局部线性嵌入的非线性过程故障检测》一文中研究指出复杂过程往往受到运行状态复杂、工作条件恶劣等因素影响,过程数据具有很强的非线性、随机性和流形结构.近年来,核局部线性嵌入(kernel locally linear embedding,KLLE)已经成功应用于复杂过程故障检测.然而KLLE是一种无监督流形学习算法,能够保持样本的局部几何信息,忽视了总体数据样本集全局/非局部鉴别信息.针对上述问题,本文提出一种新的半监督稀疏鉴别核局部线性嵌入(semi-supervised sparse discriminantKLLE,SSDKLLE)算法并用于非线性工业过程故障检测.本文主要贡献如下:(1)把半监督学习与Fisher鉴别分析(fisher discriminant analysis,FDA)引入到KLLE,有效地利用了总体数据集几何鉴别信息,提高了算法对不同类别数据的分离性;(2)基于稀疏表示通过重构优化方法对信号自适应稀疏表达的优点,利用稀疏表示自适应选择最近邻样本以及数目,提高算法鲁棒性和局部保持性能;(3)引入局部邻域处理以及核技巧策略降低过程工况数据变化对监测算法的影响,提高非线性多工况过程监测方法的性能.基于UCI数据和TE平台的仿真实验结果验证了所提算法的有效性.(本文来源于《南京师大学报(自然科学版)》期刊2018年04期）

李建敏,吴芸,杜晓凤,朱顺痣^[9]（2018）在《基于稀疏高斯过程的图像超分辨率重建算法》一文中研究指出为了克服直接使用高斯过程回归模型对图像超分辨率重建问题进行建模求解时,时间复杂度太高的问题,提出稀疏伪输入高斯过程回归算法。在不同特征子空间中进行单独建模,提高模型准确度,同时使用少量伪输入对模型进行近似求解,以有效减少模型超参数的数量和求解时间。对比实验表明,该算法在降低时间复杂度的同时,保持了较高的图像重建质量。(本文来源于《厦门理工学院学报》期刊2018年05期）

许涛林^[10]（2018）在《基于稀疏分解的脆性去除过程声发射信号监测技术研究》一文中研究指出目前,硬脆性材料在信息、医疗、半导体、数码科技、军事等领域应用越来越广泛,随着硬脆性材料需求量的不断提升,对其加工精度、加工效率等技术指标的要求也在不断提高,硬脆性材料的高质高效加工技术成为当前研究的热点。通过在线监测加工过程,可有效保证加工质量,提高加工效率。声发射(AcousticEmission,AE)能够反映脆性材料内部裂纹的形成、扩展和断裂等变化规律,是目前常用的加工过程监测手段。本文利用金刚石压头模拟单磨粒磨削运动,运用声发射技术对压头磨损以及BK7玻璃、蓝宝石和碳化硅的划刻实验过程进行监测。基于移不变稀疏编码算法对AE信号进行特征提取,获取脆性材料裂纹生成扩展、碎片脱落等事件发生的时间和能量信息,实现材料脆性去除过程更简洁、直观的表达。具体进行了以下工作:(1)搭建划刻实验平台和信号采集系统,分析AE传感器安装位置对AE信号采集的影响;对比金刚石压头顶端角度对脆性材料去除效果。(2)开展BK7玻璃斜坡划刻和等深划刻实验。实验研究表明力信号和声发射信号与划痕深度呈线性上升关系,划痕越深,脆性去除现象,如裂纹、崩碎等越明显,力信号的波动幅度越大,突发式声发射信号出现频次更高,能量更大。(3)进行金刚石压头全寿命周期实验,通过对实验过程中的AE信号统计分析和压头磨损形貌验证,评判刀具需要修整或更换的临界条件。(4)研究移不变稀疏编码算法理论,对BK7玻璃、蓝宝石以及碳化硅脆性去除阶段的AE信号进行特征提取,提出以AE特征事件为监测单位的加工过程监测方法,可准确获取材料裂纹、破碎等脆性去除事件的发生时间和能量信息。(本文来源于《厦门大学》期刊2018-06-30）

稀疏过程论文开题报告

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

本文从过程信息的分子层面利用近红外光谱技术研究了原油脱盐过程的故障检测问题。不同于传统基于宏观过程变量的故障检测手段,近红外光谱技术从分子振动信号中获取过程信息,利用所获得的微观分子光谱数据,本文采用稀疏主元分析(SPCA)算法,通过将主元(PC)上的一些载荷压缩为零,以解决由近红外光谱数据维度过高带来的过灵敏问题。将所提方法应用在原油脱盐过程的故障检测结果表明,基于微观分子光谱数据的检测结果在时间上比基于传统宏观过程变量的早了约140分钟,且相对基于主元分析的故障检测方法,具有更高的故障检测精度。

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

稀疏过程论文参考文献

[1].江升,旷天亮,李秀喜.基于稀疏过滤特征学习的化工过程故障检测方法[J].化工学报.2019

[2].金敏骏,栾小丽,刘飞.基于稀疏主元的原油脱盐过程近红外故障检测[J].计算机与应用化学.2019

[3].刘楠,吴奇.基于深度稀疏高斯过程的人体姿态估计[C].第30届中国过程控制会议（CPCC2019）摘要集.2019

[4].李军,杜雪.稀疏高斯过程在短期风电功率概率预测中的应用[J].电机与控制学报.2019

[5].韩春颖,周亚同,常和玲,池越,何静飞.基于稀疏高斯过程混合模型的短时交通流预测[J].交通信息与安全.2019

[6].蒋兰青,邱雷颦.一类带有稀疏过程的混合双险种最优再保险[J].江汉大学学报(自然科学版).2019

[7].郭小萍,刘诗洋,李元.基于稀疏残差距离的多工况过程故障检测方法研究[J].自动化学报.2019

[8].任世锦,李新玉,徐桂云,潘剑寒,杨茂云.半监督稀疏鉴别核局部线性嵌入的非线性过程故障检测[J].南京师大学报(自然科学版).2018

[9].李建敏,吴芸,杜晓凤,朱顺痣.基于稀疏高斯过程的图像超分辨率重建算法[J].厦门理工学院学报.2018

[10].许涛林.基于稀疏分解的脆性去除过程声发射信号监测技术研究[D].厦门大学.2018

论文知识图

标签：稀疏论文;  过程论文;  高斯论文;  故障论文;  分解论文;  协方差论文;  通流论文;