制造业自动化
製造業自動化
제조업자동화
MANUFACTURING AUTOMATION
2007年
1期
90-92
,共3页
软测量%粗糙集%BP神经网络%支持向量机%TN
軟測量%粗糙集%BP神經網絡%支持嚮量機%TN
연측량%조조집%BP신경망락%지지향량궤%TN
采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构.而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型.和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型.结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化.同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势.
採用粗糙集理論(RS)約簡屬性,在保留重要信息的前提下消除冗餘信息,簡化瞭模型結構.而支持嚮量機(SVM)是一種基于統計學習理論的新型學習機,本文根據TN(總氮)難于在線測量的情況,採用RS-SVM方法,用某城市汙水處理廠的實際水質參數數據,建立瞭齣水TN基于粗糙集-支持嚮量機的軟測量模型.和未經粗糙集預處理的支持嚮量機模型及粗糙集-BP神經網絡(RS-BPNN)模型進行瞭比較,選擇RS-SVM模型作為最終的軟測量模型.結果錶明,有粗糙集預處理後,不僅測量值的誤差值更小,而且大大降低瞭輸人數據的維數,減小瞭模型的規模,更有利于軟測量模型的實用化.同時也錶明支持嚮量機作為建立軟測量模型的工具,具有良好的性能,比神經網絡更加具有優勢.
채용조조집이론(RS)약간속성,재보류중요신식적전제하소제용여신식,간화료모형결구.이지지향량궤(SVM)시일충기우통계학습이론적신형학습궤,본문근거TN(총담)난우재선측량적정황,채용RS-SVM방법,용모성시오수처리엄적실제수질삼수수거,건립료출수TN기우조조집-지지향량궤적연측량모형.화미경조조집예처리적지지향량궤모형급조조집-BP신경망락(RS-BPNN)모형진행료비교,선택RS-SVM모형작위최종적연측량모형.결과표명,유조조집예처리후,불부측량치적오차치경소,이차대대강저료수인수거적유수,감소료모형적규모,경유리우연측량모형적실용화.동시야표명지지향량궤작위건립연측량모형적공구,구유량호적성능,비신경망락경가구유우세.
