虚拟样本生成技术研究与工业建模应用
发布时间：2023-01-06 19:40
大数据时代,小样本问题仍然存在、不可忽视。伴随信息化技术的发展和应用,石化行业累积了海量数据,然而由于样本数据发生或重复的机率较低、样本数据获取成本过高等原因,可为研究所利用的样本数据较为有限。由于小样本数据集的样本不但数量不充足,而且样本的分布性亦不均匀、不平衡,因而基于小样本的训练学习泛化性能不佳、预测建模精度较低、质量不佳。如何有效地解决小样本的训练学习问题并得到精确而稳健的模型无疑是数据驱动建模中亟待解决的问题。虚拟样本生成技术是小样本问题的有效解决方法,这一方向的研究选题具有重大理论意义和应用价值。小样本数据集的特点是数据量不完整和数据分布不平衡,在其基础之上建立精确而可靠的预测模型主要有两类解决途径:基于灰色模型和机器学习算法直接对小样本数据进行建模以及借助虚拟样本对小样本数据进行建模。在综述总结了文献研究的基础之上,本课题提出了一种基于Monte Carlo方法和粒子群优化算法的新的虚拟样本生成方法,以提高基于小样本数据的模型精度。这种方法在原始小样本数据的基础上,利用Monte Carlo方法和粒子群优化算法生成符合原始小样本分布的虚拟样本,有效地填充样本间的信息间隔,...
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
学位论文数据集
摘要
ABSTRACT
第一章 绪论
1.1 课题来源及研究背景和意义
1.1.1 课题来源
1.1.2 研究背景及意义
1.2 国内外研究现状
1.2.1 虚拟样本生成技术研究现状
1.2.2 人工神经网络在复杂石化过程建模中的应用
1.3 本文主要研究工作
1.4 论文组织结构安排
第二章 经典虚拟样本生成技术
2.1 引言
2.2 自助法
2.2.1 Bootstrap的基本原理
2.2.2 基于Bootstrap的虚拟样本生成
2.2.3 Bootstrap的优势和不足
2.3 随机模拟方法
2.3.1 Monte Carlo的基本原理
2.3.2 基于Monte Carlo的虚拟样本生成
2.3.3 Monte Carlo的优势和不足
2.4 优化算法
2.4.1 PSO的基本原理
2.4.2 基于PSO的虚拟样本生成
2.4.3 PSO的优势和不足
2.5 本章小结
第三章 基于Monte Carlo和PSO的虚拟样本生成技术
3.1 引言
3.2 MC-PSO的基本原理
3.2.1 利用Monte Carlo方法生成初始搜索点
3.2.2 利用PSO算法生成虚拟样本
3.2.3 构建并改进ELM预测模型
3.3 基于MC-PSO的虚拟样本生成过程
3.4 本章小结
第四章 工业应用实例研究
4.1 复杂化工生成过程分析
4.2 PTA溶剂系统数据集建模应用
4.3 乙烯生产过程数据集建模应用
4.4 本章小结
第五章 结论与展望
5.1 结论
5.2 未来展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件
【参考文献】：
期刊论文
[1]基于Bootstrap-SVM在小样本条件下光谱定量分析研究（英文）[J]. 马啸,赵众,熊善海. 光谱学与光谱分析. 2016(05)
[2]一种新颖的小样本整体趋势扩散技术[J]. 朱宝,陈忠圣,余乐安. 化工学报. 2016(03)
[3]基于主成分分析-改进的极限学习机方法的精对苯二甲酸醋酸含量软测量[J]. 贺彦林,王晓,朱群雄. 控制理论与应用. 2015(01)
[4]基于数据属性划分的递阶ELM研究及化工应用[J]. 高慧慧,贺彦林,彭荻,朱群雄. 化工学报. 2013(12)
[5]LS-SVM and Monte Carlo methods based reliability analysis for settlement of soft clayey foundation[J]. Yinghe Wang,Xinyi Zhao,Baotian Wang. Journal of Rock Mechanics and Geotechnical Engineering. 2013(04)
博士论文
[1]虚拟样本生成技术及建模应用研究[D]. 朱宝.北京化工大学 2017
[2]前馈神经网络结构设计研究及其复杂化工过程建模应用[D]. 贺彦林.北京化工大学 2016
[3]基于显式空间分解方法的可靠性设计优化研究[D]. 林科.华中科技大学 2012
硕士论文
[1]贝叶斯网络分类模型研究及其在小样本故障诊断中的应用[D]. 祝世丰.哈尔滨工业大学 2009
[2]小样本可视化数据的智能预测与后处理[D]. 江琼.武汉理工大学 2005
本文编号：3728237
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
学位论文数据集
摘要
ABSTRACT
第一章 绪论
1.1 课题来源及研究背景和意义
1.1.1 课题来源
1.1.2 研究背景及意义
1.2 国内外研究现状
1.2.1 虚拟样本生成技术研究现状
1.2.2 人工神经网络在复杂石化过程建模中的应用
1.3 本文主要研究工作
1.4 论文组织结构安排
第二章 经典虚拟样本生成技术
2.1 引言
2.2 自助法
2.2.1 Bootstrap的基本原理
2.2.2 基于Bootstrap的虚拟样本生成
2.2.3 Bootstrap的优势和不足
2.3 随机模拟方法
2.3.1 Monte Carlo的基本原理
2.3.2 基于Monte Carlo的虚拟样本生成
2.3.3 Monte Carlo的优势和不足
2.4 优化算法
2.4.1 PSO的基本原理
2.4.2 基于PSO的虚拟样本生成
2.4.3 PSO的优势和不足
2.5 本章小结
第三章 基于Monte Carlo和PSO的虚拟样本生成技术
3.1 引言
3.2 MC-PSO的基本原理
3.2.1 利用Monte Carlo方法生成初始搜索点
3.2.2 利用PSO算法生成虚拟样本
3.2.3 构建并改进ELM预测模型
3.3 基于MC-PSO的虚拟样本生成过程
3.4 本章小结
第四章 工业应用实例研究
4.1 复杂化工生成过程分析
4.2 PTA溶剂系统数据集建模应用
4.3 乙烯生产过程数据集建模应用
4.4 本章小结
第五章 结论与展望
5.1 结论
5.2 未来展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件
【参考文献】：
期刊论文
[1]基于Bootstrap-SVM在小样本条件下光谱定量分析研究（英文）[J]. 马啸,赵众,熊善海. 光谱学与光谱分析. 2016(05)
[2]一种新颖的小样本整体趋势扩散技术[J]. 朱宝,陈忠圣,余乐安. 化工学报. 2016(03)
[3]基于主成分分析-改进的极限学习机方法的精对苯二甲酸醋酸含量软测量[J]. 贺彦林,王晓,朱群雄. 控制理论与应用. 2015(01)
[4]基于数据属性划分的递阶ELM研究及化工应用[J]. 高慧慧,贺彦林,彭荻,朱群雄. 化工学报. 2013(12)
[5]LS-SVM and Monte Carlo methods based reliability analysis for settlement of soft clayey foundation[J]. Yinghe Wang,Xinyi Zhao,Baotian Wang. Journal of Rock Mechanics and Geotechnical Engineering. 2013(04)
博士论文
[1]虚拟样本生成技术及建模应用研究[D]. 朱宝.北京化工大学 2017
[2]前馈神经网络结构设计研究及其复杂化工过程建模应用[D]. 贺彦林.北京化工大学 2016
[3]基于显式空间分解方法的可靠性设计优化研究[D]. 林科.华中科技大学 2012
硕士论文
[1]贝叶斯网络分类模型研究及其在小样本故障诊断中的应用[D]. 祝世丰.哈尔滨工业大学 2009
[2]小样本可视化数据的智能预测与后处理[D]. 江琼.武汉理工大学 2005
本文编号：3728237
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3728237.html
