查看更多>>摘要:核主元分析(kernel principal component analysis,KPCA)方法利用核函数把输入空间中的非线性问题转化为特征空间中的线性问题,目前被广泛应用于非线性过程工业的故障检测.采用KPCA算法进行故障检测,核函数中核参数的选择是影响检测结果准确性和可靠性的重要因素.然而,在实际应用中,大多时候是根据经验或采用交叉验证方法进行核参数的选取,因此,通常需要对核参数的取值进行反复调整.这不仅有碍于实现故障检测的自动化、智能化,还难以保证找到的核参数为最优值,从而影响故障检测性能.为此,文中基于二分法思想,提出一种新的KPCA核参数优选方法,并将其用于田纳西—伊斯曼过程(tennessee eastman,TE)故障检测.实验结果表明,该算法能够有效解决KPCA的核参数优选问题,进而确保故障检测结果的准确性和可靠性.
查看更多>>摘要:碳中和作为应对气候变化的关键策略,对利益相关者和国家可持续发展具有重要影响.鉴于此,为提高企业碳减排信用风险的预测准确性,本文以2003-2020年2 939家上市企业为研究对象,并构建了一种融合熵权TOPSIS-Kmeans-BPNN的新型企业碳减排信用风险预警模型.本文首先运用熵权TOPSIS(technique for order preference by similarity to ideal solution)对企业碳减排信用风险进行综合评分;然后对评估结果进行聚类,获得5种企业信用风险的等级,帮助BPNN(back propagation neural network)更好地进行监督学习;再是引入SMOTE算法(synthetic minority over-sampling technique),在少数等级企业样本中进行插值并生成新样本,以解决各等级企业样本不均衡问题;最后通过消融和多模型对比实验,验证本文所建模型的预测性能.结果表明:第一,各项碳减排指标对各信用风险等级企业的影响程度存在明显差异.其中,影响程度最高的是煤炭碳排放量指标,影响程度最低的是企业碳排放量指标;第二,利用XGBoost(extreme gradient boosting)算法筛选指标有效提高了模型的预测性能,平均提升了 3.55%;第三,与其它模型相比,本文模型的预测准确率达99.05%,平均提升了 17.38%,表明该模型是可行的,可为金融机构进行信用评级提供技术支撑.