[发明专利]测量水力旋流器固液分离溢流粒度分布的支持向量机方法

摘要

测量水力旋流器固液分离粒度分布的支持向量机方法，属于溢流粒度测量技术领域，其特征在于，选择与水力旋流器直接相关的进料流量、进料体积浓度、进料管压力、溢流浓度以及离线分析得到的溢流粒度数据作为辅助变量，再通过计算机利用支持向量机方法拟合辅助变量与待测变量之间的函数关系，实现对待测变量的测量。因此本发明具有对样本数量的要求低、精度足够、易于实现和推广的优点。

主权项

1.测量水力旋流器固液分离溢流粒度分布的支持向量机方法，其特征在于：该方法依次含有以下步骤：步骤1：计算机经过通讯接口，从安装在所述旋流器进料管处的流量计、浓度计、压力计上读取在设备承受能力内、覆盖且略大于正常工作范围内的一组进料管流量qm、进料体积浓度μv、进料压力Pm的数组，并用集合Sset表示，所述的Sset＝{[μv，qm，pm]，i＝1，2，…，n}；同时在系统进入稳态时，该计算机由安装在所述旋流器溢流管出口处的溢流浓度计读取相应的一组溢流浓度数据，用μoi表示；在通过离线分析得到一组相应的溢流粒度数值，用M200i表示，则所述μv，Pmi，qmi，μoi，M200i构成一组训练样本；步骤2：所述计算机用改进的序贯最小优化算法训练支持向量机，以得到下面所述拟合函数f(x)中参数αi，αi*，b的数值范围：$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})K(x,x_i)+b$ 其中，xi，i＝1，2，…，l为训练样本，l为训练样本总数，K为核函数，其形式是预设的；该步骤2依次含有以下步骤：步骤2.1，在所述计算机中设定：核函数K的形式，误差限ε，超出该误差限ε时的惩罚系数C；步骤2.2，按设定值读取训练样本数；步骤2.3，对训练样本进行预处理首先，剔除野值，所谓野值是指这样的样本：其任意一个分量与所有样本对应分量的样本均值的差的绝对值大于所有样本对应分量的样本标准差的三倍；这一步使训练样本都处在正常范围内；其次，归一化：把训练样本的每个分量都除以所对应分量的样本集的标准差，使经过处理的训练样本输入变量的各个分量对输入变量之间的距离的影响比较接近；步骤2.4，用所述序贯最小优化算法，训练支持向量机，其步骤依次如下：步骤2.4.1，数据预处理重新构造训练样本集$(x_i^0,y_i^0),i=\mathrm{1,2},···,2l;$ 其中，$\left\{\begin{array}{c}{x}_i^0=x_i,y_i^0=1,···i=\mathrm{1,2},···,l\\ x_i^0=x_{i-l},y_i^0=-1,···i=l+1,l+2,···,2l\end{array}\right.$ 令${\alpha }_{i+l}={\alpha }_i^{*},i=\mathrm{1,2},···,l$ 相应地，$c_i=\left\{\begin{array}{c}-y_i-ϵ,···i=\mathrm{1,2},···,l\\ y_{i-l}-ϵ,···i=l+1,l+2,···,2l\end{array}\right.$ 根据当前的αi，i＝1，2，…，2l按照下述支持向量机方法的拟合函数的通式f(x)计算第i个样本的函数值fi；$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})K\left({x,x}_i\right)+b$ 相应的约束条件如下；${\alpha }_i=C,y_i^0{f}_i>=-c_i$ $0<{\alpha }_i<C,y_i^0{f}_i=-c_i$ ${\alpha }_i=0,y_i^0{f}_i<=-c_i$ 步骤2.4.2，随机选择初值αi，i＝1，2，…，2l；步骤2.4.3，依次遍历所有样本；若：所有样本都满足上述约束条件，则结束训练；若：找到第一个违反上述约束条件的样本，则选定该样本为第一个待优化样本，用下标“1”表示；步骤2.4.3按以下步骤调用内层循环，选择第二个待优化样本：步骤2.4.3.1：根据当前的αi，i＝1，2，…，2L计算第一个待优化样本的函数值f1和$E_1=f_1-y_1^0{c}_1;$ 步骤2.4.3.2：依次搜索所有样本，对第j个样本计算$E_j=f_j-y_j^0{c}_j,1\le j\le 2l,$ 找到2l个样本中|E1-Ej|值最大的样本，选定为第二个待进行优化的样本，用下标“2”表示该样本；步骤2.4.4，对所选定的上述两个样本进行优化，其步骤如下：步骤2.4.4.1，按下式计算样本的裁剪边界，判别样本是否适于进行优化；所述裁剪边界为：$L=\max (0,{\alpha }_1^{\mathrm{old}}+{\alpha }_2^{\mathrm{old}}-C),H=\min (C,{\alpha }_1^{\mathrm{old}}+{\alpha }_2^{\mathrm{old}}),$ …当$y_1^0=y_2^0$ 时$L=\max (0,{\alpha }_2^{\mathrm{old}}-{\alpha }_1^{\mathrm{old}}),H=\min (C,C+{\alpha }_2^{\mathrm{old}}-{\alpha }_1^{\mathrm{old}}),$ …当$y_1^0\ne y_2^0$ 时若L＝H，则说明受约束条件限制，所选定的两个样本，不能进行优化，返回步骤2.4.3；否则，执行下一步：步骤2.4.4.2，根据设定的核函数K，计算：${\theta }_{\mathrm{ij}}=K(x_i^0,x_j^0),i,j=\mathrm{1,2}$ 和η＝2θ12-θ11-θ22 步骤2.4.4.3，分别用上标new，old表示优化前后的样本，计算${\alpha }_2^{\mathrm{new}}={\alpha }_2^{\mathrm{old}}-\frac{y_2^0(E_1-E_2)}{\eta }$ ${\alpha }_1^{\mathrm{new}}={\alpha }_1^{\mathrm{old}}+y_1^0{y}_2^0({\alpha }_2^{\mathrm{new}}-{\alpha }_2^{\mathrm{new},\mathrm{clipped}})$ 其中，α2new，clipped表示裁剪过的适于优化的样本；步骤2.4.4.4，更新b，Ei，i＝1，2；若$0<{\alpha }_1^{\mathrm{new}}<C,$ 则$b^{\mathrm{new}}=E_1^{\mathrm{old}}+y_1^0({\alpha }_1^{\mathrm{ne}w}-{\alpha }_1^{\mathrm{old}}){\theta }_{11}+y_2^0({\alpha }_2^{\mathrm{new}}-{\alpha }_2^{\mathrm{old}}){\theta }_{12}-b^{\mathrm{old}}$ 若$0<{\alpha }_2^{\mathrm{new}}<C,$ 则$b^{\mathrm{new}}=E_2^{\mathrm{old}}+y_1^0({\alpha }_1^{\mathrm{new}}-{\alpha }_1^{\mathrm{old}}){\theta }_{21}+y_2^0({\alpha }_2^{\mathrm{new}}-{\alpha }_2^{\mathrm{old}}){\theta }_{22}-b^{\mathrm{old}}$ 否则bnew＝bold $E_i^{\mathrm{new}}=E_i^{\mathrm{old}}+y_1^0({\alpha }_1^{\mathrm{new}}-{\alpha }_1^{\mathrm{old}}){\theta }_{i1}+y_2^0({\alpha }_2^{\mathrm{new}}-{\alpha }_2^{\mathrm{old}}){\theta }_{i2}-b^{\mathrm{old}}+b^{\mathrm{new}},i=\mathrm{1,2}$ 步骤2.4.5，判断所有0＜αi＜C的样本是否满足约束条件：若：都已满足约束条件，返回步骤2.4.3，结束；否则，返回步骤2.4.3，找到第一个违反约束条件的样本，重复步骤2.4.3～步骤2.4.5，一直到所有样本满足约束条件为止；步骤2.5，计算αi≠0，αi≠C或${\alpha }_i^{*}\ne 0,{\alpha }_i^{*}\ne C$ 所对应的训练样本数，并保存训练得到的支持向量机参数αi，αi*，b，还有训练样本；步骤3，实时测量阶段；步骤3.1，计算机对于待测样本按步骤2.3所述方法进行归一化处理；步骤3.2，读取步骤2.5所述的支持向量机及相应的过程数据；步骤3.3，按步骤3.2所取得的参数αi，αi*，b以及设定的核函数K计算拟合函数f(x)并得出结果；步骤3.4，结束。