机器学习算法及其工程应用研究-化学工程专业论文.docxVIP

摘要 本文研究了机器学习算法在橡胶混炼过程控制、天气预报及基因识别等不 同领域的应用。 橡胶混炼是橡胶产品加工流程的第一步，混炼胶质量直接影响后续工序和 橡胶产品的质量。作为重要质量指标之一的门尼粘度，其严重的测量滞后一直 是制约橡胶混炼过程控制进一步发展的瓶颈。本文根据橡胶混炼机理，首次提 出用混炼胶的流变参数预测门尼粘度。并针对混炼过程的特点，提出一种新的 机器学习算法 DRPLS-GP(Discounted-measurement Recursive Partial Least Squares-Gaussian Process)。利用折 息因子的引入 克服“数据饱 和”现象，用 DRPLS 提取潜变量来克服原始数据中的噪声和变量之间的多重相关性，而后潜 变量作为 GP 的输入进行非线性回归。另外，DRPLS-GP 可以灵活地调节折息 因子，确保了对不同配方混炼胶门尼粘度的精确预测。特别地，它能够通过递 推的方法对模型实时地更新，因此该方法在工业中具有很强的实用性。 为了提高气候预测性能，克服变量之间的强烈非线性，提出一种新的非线 性方法 GPLS-GP(GeneralizedPartial Least Squares Gaussian Process)。通过非线性 扩展的 PLS 算法提取潜变量克服原始数据中的噪声以及变量之间的相关性，更 重要的是通过扩展变量的方法以及非线性的 GP 内模型可以得到精确的非线性 关系。经过实例验证，GPLS-GP 较传统的方法 GPLS，PLS 及 GP 的性能好。 为了促进基因识别方法的快速发展，本文将八种常用的线性和核函数模式 识别技术用于识别人类基因短编码序列（从 21-192bp），对其进行评估并寻找 Z 曲线中变量的最优组合。通过衡量预测精度、计算时间以及权衡敏感性和特 异性等因素，得出最优线性和非线性分类机分别是 PLS 和 KPLS，为生物学家 选择分类机提供了可靠依据。并通过分析发现 93 个 Z 曲线变量为最优的组合。 关键词：机器学习，橡胶混炼，气候预测，基因识别 ABSTRACT In this paper, the application of machine learning algorithms is researched in rubber- mixed process, weather forecast, genes recognition and so on. The rubber-mixed is the first step of rubber product processing process, the quality of mixed rubber directly influences the subsequent procedure and quality of rubber product. The large measurement delay of the Mooney-viscosity, one of the most important quality indexes of mixed rubber, has long been the main bottleneck holding back further development of rubber mixing process control. According to the mechanism of rubber- mixed, the method that predicts the Mooney viscosity with rheological parameters is put forward in this paper. According to the characteristics of the rubber- mixed process, this paper proposed a novel machine learning algorithm Discounted- measurement Recursive Partial Least Squares-Gaussian Process (DRPLS- GP) is proposed. The introduction of discount factor overcomes the data saturation phenomenon, to overcome the noise and the multi-collinearity of original data, orthogonal latent variables (LVs) are extracted by Discounted