摘要:外参标定是激光雷达与相机数据融合的关键前提,但目前的标定方法仍存在诸多不足,如依赖先验条件、特征约束单一和标定精度不高等问题。 为此,提出一种融合互信息与多特征约束的两阶段外参自动标定方法,该方法有机结合了基于互信息和基于多特征约束两种标定方法的优点,可由粗到精自动实现外参精准标定。 首先,第 1 阶段为基于互信息的外参粗标定,即在无初值、阈值等先验条件情况下利用激光雷达反射率与相机灰度值之间的关联性,通过构建最大化模型,在互信息最大时采用自适应梯度最值算法求解出外参的初值,从而摆脱对先验条件的依赖。 其次,第 2 阶段为融合多特征约束的外参精标定,即利用激光雷达和相机获取的点-线、点-面、线-面等多种约束来优化第 1 阶段获得的外参,并使用 ICP 算法最小化点云 3D 几何特征与图像 2D 几何特征之间的重投影误差,以获得外参的最优值。 最后,基于自制的镂空圆形标定板(同时具有点线面特征)在较为复杂的室内外环境下进行了外参标定试验,结果表明所提出的标定方法可以在没有初值的情况下,能自动计算出的激光雷达与相机外参,同时具有较高的精度和稳定性。

摘要:非线性动态间歇过程中,测量变量存在不同的序列相关性,且变量间的交叉相关性会体现在不同的采样时刻上,然而传统检测方法没有考虑这种变量间的相关性,通常将所有变量视为独立或相关关系进行特征提取,不能充分提取到故障信息的特征,造成监测效果不佳。 因此,提出一种基于变量分块的核动态潜变量-动态加权支持向量数据描述(KDLV-DWSVDD)间歇过程故障检测算法。 首先,通过求取变量间的互信息值(MI)将变量分为相关与独立两个变量子块;然后,通过 KDLV 算法将相关变量子块分为动态部分和静态部分,对动态部分建立向量自回归模型进行监测,对静态部分采用邻域保持嵌入(NPE)算法进行监测;独立变量子块中自变量的动态信息可通过 DWSVDD 算法进行提取;最后, 通过 KDLV-DWSVDD 算法建立监控统计量进行故障检测。 所提算法在青霉素发酵仿真过程中平均故障检测率可达 90. 38% ,相较对比算法提高了近 15% ,半导体实际工业过程也证明了所提算法对于间歇过程故障检测的可行性和优越性。

摘要:芳烃收率是催化重整生产过程中一个重要的产品质量指标。针对芳烃收率难以在线测量的问题，提出一种基于互信息(MI)和改进引力搜索算法(IGSA)优化极限学习机(ELM)的芳烃收率软测量建模方法。首先利用MI技术对输入变量进行特征提取及降维处理，确定软测量模型的辅助变量；其次通过引入序列二次规划法(SQP)和混沌变异策略，构建一种具有良好全局寻优性能的改进引力搜索算法，并利用该算法优化极限学习机的隐层阈值及输入权值参数，优化目标同时兼顾模型输出均方根误差和输出矩阵条件数的最小化，建立起基于IGSA优化ELM的芳烃收率软测量模型；最后应用该模型对某炼化企业催化重整装置的芳烃收率进行预报研究，结果表明,该软测量模型具有较高的预测精度和可靠性能。

摘要:K2算法是学习贝叶斯网络结构的经典算法。针对K2算法依赖最大父节点数和节点序的不足，以及蚁群算法搜索空间庞大的问题，提出了一种新的贝叶斯结构学习算法MWSTACOK2算法。该算法通过计算互信息建立最大支撑树（MWST），得到最大父节点数；然后利用蚁群算法(ACO)搜索最大支撑树，获得节点顺序；最后结合K2算法得到最优的贝叶斯网络结构。仿真实验结果表明，该方法不仅解决了K2算法依赖先验知识的问题，而且减少了蚁群算法的搜索空间，简化了搜索机制，得到较好的贝叶斯结构。最后将该算法应用到冀东水泥回转窑的实际数据中，构建水泥回转窑的贝叶斯网络结构，提高了故障诊断的准确率。

摘要:针对水泥生料细度软测量模型难以建立的问题，考虑到输入变量选择易受时延的影响，提出一种基于互信息和最小二乘支持向量机（MILSSVM）的软测量建模方法。该方法采用互信息表征变量间的相关性，进而解决水泥生料细度软测量建模中的时延问题，并在此基础之上，提出双向选择算法获取输入变量，将得到的输入变量应用于最小二乘支持向量机中，建立水泥生料细度软测量模型，最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。