本文關(guān)鍵詞：基于小波重構(gòu)與SVM-BPNN的動態(tài)過程在線智能監(jiān)控

  更多相關(guān)文章： 過程監(jiān)控 小波重構(gòu) 均值特征 形狀特征 支持向量機 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：為了提高動態(tài)過程運行狀態(tài)在線監(jiān)控效率,提出了基于小波重構(gòu)與支持向量(support vector machine,SVM)-反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)相結(jié)合的在線智能監(jiān)控方法.首先,運用離散小波變換對動態(tài)過程實測數(shù)據(jù)流進(jìn)行重構(gòu),并提取其形狀特征.其次,利用訓(xùn)練好的小波重構(gòu)特征的SVM、均值特征的BPNN及重構(gòu)后形狀特征的SVM,對"監(jiān)控窗口"內(nèi)實測數(shù)據(jù)流進(jìn)行異常模式識別.最后,應(yīng)用該方法對某精密軸加工過程進(jìn)行在線智能監(jiān)控.結(jié)果表明:所提模型識別精度高、訓(xùn)練耗時少,其整體性能明顯優(yōu)于小波重構(gòu)的BPNN模型與基于統(tǒng)計和形狀特征的多分類支持向量機(multi-class support vector machine,MSVM)模型,是一種更為有效的動態(tài)過程在線智能監(jiān)控方法.
【作者單位】： 鄭州大學(xué)商學(xué)院;
【關(guān)鍵詞】： 過程監(jiān)控 小波重構(gòu) 均值特征 形狀特征 支持向量機 BP神經(jīng)網(wǎng)絡(luò)
【基金】：國家自然科學(xué)基金(71272207,61271146)~~
【分類號】：TP277;TP18
【正文快照】： i引言動態(tài)過程的運行狀態(tài)因偶然性和異常性因素的存在而不斷變化偶然性因素通常導(dǎo)致動態(tài)過程運行狀態(tài)中的隨機波動,而異常性因素會導(dǎo)致動態(tài)過程運行狀態(tài)偏離穩(wěn)態(tài)[21.因此,及時準(zhǔn)確地監(jiān)控動態(tài)過程運行狀態(tài),對于快速排查過程異因、降低企業(yè)質(zhì)量成本具有重要的意義. 動態(tài)過程運

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 黃劍華;顏子夜;唐降龍;;基于小波重構(gòu)的視頻圖像文本檢測方法[J];哈爾濱工業(yè)大學(xué)學(xué)報;2006年09期

2 李勇;小波圖像分解與重構(gòu)實驗設(shè)計[J];安慶師范學(xué)院學(xué)報(自然科學(xué)版);2003年04期

3 遲健男;張闖;張朝暉;王志良;;基于反對稱雙正交小波重構(gòu)的圖像增強方法[J];自動化學(xué)報;2010年04期

4 于靜;高飛;王沙沙;溫英新;;基于統(tǒng)計分類的臺標(biāo)識別相關(guān)技術(shù)研究[J];微型機與應(yīng)用;2012年20期

5 張西咸;陳蓮;;基于離散點與小波重構(gòu)SnO_2信號的新方法[J];傳感器與微系統(tǒng);2007年08期

6 ;[J];;年期

，

本文編號：962906