导读:本文包含了软测量模型论文开题报告文献综述、选题提纲参考文献，主要关键词:测量,向量,算法,神经网络,多模,多核,模型。
软测量模型论文文献综述写法
乔源,王建峰,杨永存,赵文杰[1]（2019）在《基于神经网络的飞灰含碳量软测量模型及实现》一文中研究指出飞灰含碳量的准确测量是提高锅炉燃烧效率的基础,针对目前飞灰含碳量测量装置速度、精度不理想的情况,提出了基于互信息变量选取的神经网络飞灰含碳量预测模型,并通过PLC和上位机组合的方式对神经网络进行在线监控。首先,介绍了锅炉燃烧机理,针对影响飞灰含碳量的因素进行分析,对机理分析得到的影响因素通过互信息进行选取,得到飞灰含碳量软测量模型建立所需要的辅助变量;然后针对选取得到的辅助变量进行数据预处理,包含数据去重、数据滤波、去异常值等,以处理之后的数据为输入建立神经网络模型;最后,通过PLC的SCL语言对建立的神经网络模型进行编程实现,并通过上位机组态软件WinCC进行飞灰含碳量进行在线监控。结果表明本文所建立的动态模型相较于传统的飞灰含碳量静态神经网络模型具有更高的实用性和准确性,可对现场采集的数据进行实时计算得到飞灰含碳量值并进行校正; PLC测量装置有着良好的预测精度与较高的预测速度,能够用于现场飞灰含碳量测量。(本文来源于《电力科学与工程》期刊2019年11期）
张洪德,夏陆岳,刘勇,潘海天[2]（2019）在《FCM-ABC-MKRVM多模型融合软测量建模》一文中研究指出许多化工过程具有强非线性、机理复杂和多工况等特点,针对传统软测量模型无法全面描述过程特性而导致模型预测精度较低的问题,提出一种FCM-ABC-MKRVM多模型融合软测量建模方法。首先采用模糊C均值聚类算法(FCM)将训练样本划分为多个子类,并确定各子类的聚类中心;然后通过训练各子类样本建立多核相关向量机(MKRVM)子模型,其中采用人工蜂群算法(ABC)优化核函数参数和组合权重因子;在模型预测阶段,计算测试样本与各聚类中心的隶属度值,并作为各子模型输出值的加权系数,通过多模型融合得到最终的模型预测输出。将该建模方法应用于聚丙烯熔融指数软测量研究中,仿真结果表明:与MKRVM模型和ABC-MKRVM模型相比,基于FCM-ABC-MKRVM多模型融合的熔融指数软测量模型具有更佳的预测精度,可以为复杂多工况化工过程的产品质量指标在线预测提供指导作用。(本文来源于《控制工程》期刊2019年10期）
徐海霞[3]（2019）在《基于仿射传播聚类的多模型软测量建模研究》一文中研究指出发酵过程数据量庞大,基于该数据建立的单一化软测量模型存在计算负担沉重,计算精度不良等问题。为有效解决以上问题,结合仿射传播聚类算法和神经网络提出一种改进的多模型软测量建模方法。采用仿射传播聚类算法能较为准确地确定系统的划分数目,有效地解决了传统聚类算法中聚类数目需提前给定、分类精度取决于数据分布、收敛速度慢等问题;针对已划分好的聚类个数建立相应的神经网络子模型。以红霉素发酵为工程背景,将所提方法运用在生物量浓度监测上,结果阐明所建改进的多模型软测量方法计算时间和预测精度得到了良好的改善。(本文来源于《控制工程》期刊2019年10期）
李隆浩,张立臻,马广磊[4]（2019）在《基于ARMA模型的粗糠醇精馏过程软测量建模方法》一文中研究指出针对粗糠醇精馏过程存在的非线性时变及建模数据的影响持续性不易确定,导致软测量模型预测准确性低的问题,提出一种基于ARMA模型的粗糠醇精馏过程软测量建模方法。构建了粗糠醇精馏过程的自回归滑动平均(Autoregressive Moving Average, ARMA)模型,将建立好的ARMA模型与软测量建模方法相结合,提出基于ARMA-LSSVM的软测量建模方法。基于粗糠醇精馏过程实际数据分别建立了ARMA-LSSVM与LSSVM的软测量模型并进行了对比分析,分析结果表明:本文提出的基于ARMA模型的粗糠醇精馏过程软测量建模方法,可以有效提高粗糠醇精馏过程软测量模型的数据预测精度。(本文来源于《山东理工大学学报(自然科学版)》期刊2019年06期）
蒋丽丽,陈国彬[5]（2019）在《基于MFO-ELM的荷电状态软测量模型》一文中研究指出近年来,极限学习机(extreme learning machine,ELM)被广泛应用于解决非线性回归问题,针对SOC难以直接测量的难题,提出一种基于飞蛾火焰算法(moth-flame optimization algorithm,MFO)优化ELM的SOC预测模型。通过极小化预测误差来优化确定ELM参数的最优值并获得精确的SOC预测模型MFO-ELM,根据可测量电池电流、电压、温度和极化电阻参数来预测SOC值。随后,将MFO-ELM模型的性能与ELM模型进行了比较。结果表明:MFO-ELM预测精度高,误差不超过5%,是一种更好的SOC预测技术。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年08期）
钟定清,王艾伦,何谦[6]（2019）在《含铜损和铁损交流电力测功机的扭矩软测量模型（英文）》一文中研究指出交流电力测功机是测量发动机转矩的常用仪器设备。针对交流电力测功机扭矩直接测量中存在的问题,如成本高、能耗高、测量系统复杂等,以铜损和铁损为两个主要因素,利用模糊最小二乘支持向量机(FLS-SVM)建立了交流电力测功机的扭矩软测量模型。然后,采用自适应遗传算法对FLS-SVM的惩罚因子和核参数进行优化,将扭矩软测量模型应用于交流电力测功机中,并与其他软测量模型和直接测量进行比较和分析,得到了汽油机连续负载试验测量阶段的能量反馈效率和能耗。结果表明,FLS-SVM软测量扭矩的最小软测量误差约为0.0018,在-0.3～0.3N·m范围内波动,比直接测量法提高了1.6%的能量反馈效率,并在汽油机连续负载试验中节省了500kJ的油耗。因此,含铜损、铁损的交流电力测功机扭矩软测量模型的测量精度较高,这种间接测量方法可替代直接扭矩测量方法,并降低交流电力测功机的生产成本和能耗。(本文来源于《Journal of Central South University》期刊2019年08期）
黄锦,冯毅萍[7]（2019）在《基于集成多模型的煤制乙炔生产过程乙炔浓度软测量》一文中研究指出乙炔是一种很重要的基础化工原料。目前工业大量制取乙炔的方法主要是水解电石法。但是该方法成本高,污染严重。而等离子体裂解煤制乙炔的技术研究由于其高效清洁的特点受到广泛关注。该工艺中煤裂解过程机理未知且反应快速,乙炔浓度需要离线化验检测,时间滞后严重。针对上述问题,本文提出了一种集成多模型的乙炔浓度软测量算法。该算法采用两阶段级联策略,首先采用自适应高斯混合模型(GMM)对样本聚类,在第二阶段采用多个支持向量回归(SVR)模型对每个簇建模。最终软测量结果基于后验概率权重得到。经过煤制乙炔现场案例的仿真验证表明,所提方法在准确度和稳定性上均能满足工业现场的需求。(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）
吉文鹏,杨慧中[8]（2019）在《基于KPCA-MSGB算法的多模型软测量建模》一文中研究指出为了提高对复杂化工过程建模的模型精度和泛化能力,提出了一种基于KPCA和改进随机梯度boosting算法(MSGB)的多模型软测量建模方法。该算法采用高斯过程回归作为基学习器,利用核主元分析法对数据进行特征提取,并针对传统的随机梯度boosting算法(SGB)的不足,根据每次迭代学习中弱学习机的反馈,自适应调整学习率,引入权重因子作为排序指标对欠学习的训练数据进行优先选取,从而改善了SGB算法的学习效率,提高了模型的估计精度和泛化能力。将该方法应用于某双酚A生产装置的软测量建模中,仿真结果验证了该方法的有效性。(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）
杨仁建[9]（2019）在《基于多元模型融合和时延变量选择的动态软测量方法》一文中研究指出针对工业过程软测量中存在的时延、非线性导致预测精度低的问题,提出了一种基于多元模型融合和时延变量选择的动态软测量方法。首先,引入时延变量选择策略,根据信息熵定义联合互信息评价指标,通过螺旋优化算法获取互信息最大条件下的最佳时延变量和历史数据长度。其次,提出了多元模型融合策略,综合高斯模型和正则极限学习机的长处,通过两种模型动态交叉融合对工业过程参数进行预测。最后,针对实际脱丁烷塔装置,分别采用偏最小二乘、最小二乘支持向量机、本文选用方法进行软测量。应用结果表明:文中所述的方法具有很好的预测精度和鲁棒性。(本文来源于《石油化工自动化》期刊2019年03期）
闫金海[10]（2019）在《低温乳聚丁苯橡胶软测量模型的研究》一文中研究指出低温乳聚丁苯橡胶是一种合成橡胶,由于其良好的性能,可以在很多方面取代天然橡胶,人民的日常生活和国家军工都应用的很多。生产低温乳聚丁苯橡胶的难点在于实时监测低温乳聚丁苯橡胶的转化率。目前,国内低温乳聚丁苯橡胶生产企业通常采用实验室手工方法对其分析和控制,这类控制方法有很大的缺陷-大时滞,一方面影响了控制效果,另一方面也极大耗费了资源,不论是人力成本,还是物力成本,都较为高昂。软测量技术的出现,可以很好的解决上述这些问题。迄今为止,关于使用该技术研究低温乳聚丁苯橡胶聚合转化率的报道很少。在低温乳聚丁苯橡胶生产的情况下,虽然生产工艺十分复杂,但工作状态相对而言还很稳定,辅助变量间存在很强的非线性,企业对总转换率预测也有更高的准确度要求。本文使用了一种软测量建模方法,对低温乳液丁苯橡胶的聚合转化率进行精准预测。本文以集成修剪为基础,构建了软测量建模方法。首先,通过bagging法建立不同的LS-SVM弱学习器,然后用AdaBoost.RT方法修剪弱学习器,对修剪后的弱学习器进行加权和输出。本文提出的方法预测精度高,解决了集成算法占用多,预测速度较慢的问题,还一定程度地改善了LS-SVM的稀疏性和鲁棒性问题。经过对该软测量建模方法进行仿真应用研究,结果表明此方法能够很好应用于工况较稳且估测精度有较高要求的低温乳聚丁苯橡胶的建模工业过程。(本文来源于《辽宁石油化工大学》期刊2019-06-01）
软测量模型论文开题报告范文
（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：
许多化工过程具有强非线性、机理复杂和多工况等特点,针对传统软测量模型无法全面描述过程特性而导致模型预测精度较低的问题,提出一种FCM-ABC-MKRVM多模型融合软测量建模方法。首先采用模糊C均值聚类算法(FCM)将训练样本划分为多个子类,并确定各子类的聚类中心;然后通过训练各子类样本建立多核相关向量机(MKRVM)子模型,其中采用人工蜂群算法(ABC)优化核函数参数和组合权重因子;在模型预测阶段,计算测试样本与各聚类中心的隶属度值,并作为各子模型输出值的加权系数,通过多模型融合得到最终的模型预测输出。将该建模方法应用于聚丙烯熔融指数软测量研究中,仿真结果表明:与MKRVM模型和ABC-MKRVM模型相比,基于FCM-ABC-MKRVM多模型融合的熔融指数软测量模型具有更佳的预测精度,可以为复杂多工况化工过程的产品质量指标在线预测提供指导作用。
（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。
软测量模型论文参考文献
[1].乔源,王建峰,杨永存,赵文杰.基于神经网络的飞灰含碳量软测量模型及实现[J].电力科学与工程.2019
[2].张洪德,夏陆岳,刘勇,潘海天.FCM-ABC-MKRVM多模型融合软测量建模[J].控制工程.2019
[3].徐海霞.基于仿射传播聚类的多模型软测量建模研究[J].控制工程.2019
[4].李隆浩,张立臻,马广磊.基于ARMA模型的粗糠醇精馏过程软测量建模方法[J].山东理工大学学报(自然科学版).2019
[5].蒋丽丽,陈国彬.基于MFO-ELM的荷电状态软测量模型[J].重庆理工大学学报(自然科学).2019
[6].钟定清,王艾伦,何谦.含铜损和铁损交流电力测功机的扭矩软测量模型（英文）[J].JournalofCentralSouthUniversity.2019
[7].黄锦,冯毅萍.基于集成多模型的煤制乙炔生产过程乙炔浓度软测量[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[8].吉文鹏,杨慧中.基于KPCA-MSGB算法的多模型软测量建模[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[9].杨仁建.基于多元模型融合和时延变量选择的动态软测量方法[J].石油化工自动化.2019
[10].闫金海.低温乳聚丁苯橡胶软测量模型的研究[D].辽宁石油化工大学.2019