一种城市固废焚烧过程二噁英排放浓度软测量方法与流程

本发明属于固废焚烧技术领域，尤其涉及一种城市固废焚烧过程二噁英排放浓度软测量方法。

背景技术：

基于运行优化控制策略降低复杂工业过程的能源消耗和污染排放，是国内外众多流程工业企业所面临的急需解决的难题[1,2,3]。焚烧是进行城市固废(msw)处理的主要技术手段[4]。对于发展中国家的msw焚烧(mswi)企业，最为紧迫的问题是如何控制焚烧造成的污染排放[5,6]，其中急需控制得是：造成焚烧建厂“邻避效应”、具有生物累积效应等特点的剧毒物质二噁英(dxn)的排放浓度[7,8,9]。mswi企业最主要关注如何基于优化的运行参数实现最小化的dxn排放[10]。目前，除采用先进的尾气处理装置外，工业过程普遍采用如下间接策略控制dxn排放，即“3t1e”准则[11]，即：焚烧炉内高于850℃的温度(t)、超过2秒(t)的烟气停留时间、较大的湍流程度(t)和合适的过量空气系数(e)。当前mswi企业不能进行以降低dxn排放为直接目标的运行优化和反馈控制，其主要原因：一是dxn排放浓度的机理模型难以构建[12]，二是以月或季为周期的离线直接检测不能提供实时反馈的dxn排放浓度[13]。近年来的研究热点是基于指示物/关联物对dxn排放进行在线间接检测[14,15]，但这些方法固有的设备复杂、造价昂贵、检测滞后等原因导致其仍难以用于mswi过程的运行优化和反馈控制。

数据驱动软测量技术可用于需要离线化验的难以检测参数(如本发明中的二噁英)的在线估计[16,17]。针对mswi过程，文献[18,19]通过采用多年前欧美研究机构针对不同类型的焚烧炉采集的小样本数据，基于线性回归、人工神经网络(ann)等算法构建dxn排放浓度软测量模型。近年来，文献[20]结合相关性分析、主元分析(pca)和ann等算法，基于mswi过程数据构建dxn排放预测模型；但是，ann并不适用于构建dxn浓度排放模型，主要原因在于其固有的易陷入局部最小、易过拟合和对小样本数据建模泛化性能差等缺点。采用具有合适超参数的支撑向量机(svm)算法可有效地用于小样本数据建模[21]。针对svm需求解二次规划的问题，最小二乘-支撑向量机(ls-svm)通过求解线性等式予以克服；模型超参数可以通过单目标或多目标优化求解算法获得[22,23,24]，但这些方法耗时且只能得到次优解[25]。因此，目前研究缺少对超参数进行有效选择的自适应机制。

通常，mswi过程包括固废储运、固废焚烧、蒸汽发电和烟气处理等阶段组成的多个子系统，所涉及的过程变量达到数百维，与dxn的产生、吸收和再合成等机理过程在不同程度上具有相关性。文献[26]指出，模型输入维数的增加和低价值训练样本的增加使得完备数量的训练样本难以获得。在模式识别领域，通常认为训练样本的数量与特征之比应该为2、5或10。文献[27]定义了维数约简后的训练样本与约简特征之比，认为该值应满足构建鲁棒预测学习模型的要求。因此，针对具有小样本高维特性的dxn排放浓度建模数据，进行维数约简是非常必要的。基于非监督特征提取的方法获得的特征，虽蕴含原始高维变量中的主要变化却可能导致所提取特征与被预测参数无关。能够提取高维数据蕴含变化的主元分析(pca)，是目前工业过程在难以检测参数软测量中最为常用的潜在特征提取方法[28]，但贡献率低的主元会导致预测稳定性差[²⁹]。

从另外一个视角，针对mswi过程的不同子系统所提取的特征可视为源于多个视图的多源信息。理论和经验分析表明，面向多源信息采用选择性集成(sen)学习机制构建的软测量模型具有更佳的预测稳定性和鲁棒性，其中子模型间的差异性尤为重要[29]。文献[30]综述了集成子模型多样性的构造策略，指出训练样本重采样包括划分训练样本(样本空间)、划分或变换特征变量(特征空间)等，在模型预测性能上基于特征空间的集成构造策略优于基于多分类器的构造策略。针对小样本多源高维谱数据，汤等人提出基于选择性融合多源特征和多工况样本的sen潜结构映射模型[31,32]；文献[33]和[32]提出了基于随机采样样本空间的sen神经网络模型和潜结构映射模型，文献[34]提出基于子空间的集成学习通用框架，文献[35]提出了在特征子空间内随机采样样本空间的面向多尺度机械信号的双层sen潜结构映射模型，文献[36]提出的sen神经网络模型分别构建优化视角的候选子模型和优化选择集成子模型及其权重，但上述方法未进行模型参数自适应机制的研究。综上可知，以度量和再选后的非监督潜在特征为输入，基于自适应超参数选择机制的sen-lssvm建模策略及其在dxn排放浓度软测量中的研究未见报道。

技术实现要素：

综上，本发明提供一种基于多源潜在特征sen的mswi过程dxn排放浓度软测量方法，首先，采用潜在特征提取与初选模块将mswi过程数据依据工业流程划分为不同来源的子系统，采用主元分析(pca)分别提取其潜在特征并依据经验预设的主元贡献率阈值进行多源潜在特征初选。接着，潜在特征度量与再选模块采用互信息(mi)度量初选的潜在特征与dxn间的相关性，自适应确定潜在特征再选的上下限及阈值。最后，自适应选择性集成建模模块基于再选潜在特征，采用具有超参数自适应选择机制的最小二乘-支撑向量机(ls-svm)算法，建立针对不同子系统的dxn排放浓度子模型，采用基于分支定界(bb)和预测误差信息熵加权算法的策略优化选择子模型和计算权系数，构建dxn排放浓度sen软测量模型。

附图说明

图1基于dxn视角的mswi过程描述；

图2基于潜在特征sen建模的dxn排放浓度软测量策略；

图3不同子系统的前6个pc的累积贡献率；

图4(a)incinerator子系统初选潜在特征与dxn间的mi值；

图4(b)boiler子系统初选潜在特征与dxn间的mi值；

图4(c)fluegas子系统初选潜在特征与dxn间的mi值；

图4(d)steam子系统初选潜在特征与dxn间的mi值；

图4(e)stack子系统初选潜在特征与dxn间的mi值；

图4(f)common子系统初选潜在特征与dxn间的mi值；

图4(g)mswi系统初选潜在特征与dxn间的mi值；

图5(a)焚烧子模型超参数自适应寻优的第1次和第2次的曲线；

图5(b)锅炉子模型超参数自适应寻优的第1次和第2次的曲线；

图5(c)烟气处理子模型超参数自适应寻优的第1次和第2次的曲线；

图5(d)蒸汽发电子模型超参数自适应寻优的第1次和第2次的曲线；

图5(e)烟气排放子模型超参数自适应寻优的第1次和第2次的曲线；

图5(f)公用工程子模型超参数自适应寻优的第1次和第2次的曲线；

图5(g)mswi全流程子模型超参数自适应寻优的第1次和第2次的曲线。

具体实施方试

面向dxn排放过程的mswi描述

mswi的主要设备包括焚烧炉、移动炉排、废锅和尾气处理等设备，其中：焚烧炉将msw转化为残渣、灰尘、烟气与热量，位于焚烧炉底部的移动炉排促使msw有效和完全燃烧，废锅产生的蒸汽用于推动汽轮机产生电力，烟气中的灰尘和污染物通过尾气处理设备净化后排入大气。其过程如图1所示。

由图1可知，从污染排放视角，mswi过程包含了dxn产生、吸收和排放共3个阶段，其分别包含在标记为g1、g2和g3的烟气中。显然这些不同阶段的烟气中所包含的dxn浓度具有差异性。通常，为保证焚烧炉内的有害物质能够有效和完全分解，烟气温度至少应该达到850℃并保持2秒以上。用于焚烧msw的一次风从炉排底部喷入的同时又对炉排进行冷却，并通过引入湍流和保证过量氧的供应使得二次风能够辅助进行烟气的完全燃烧。在烟气冷却过程中，进行焚烧矿渣和废锅底灰的处置和收集，同时排出烟气g1。活性炭和石灰被注入反应器，用于移除酸性气体和吸收dxn及一些重金属，烟气然后再进入袋式过滤器。在反应器和袋式过滤器内产生的飞灰被注入混涅设备，同时产生烟气g2。引风机将烟气g2吸入到烟囱，进而作为烟气g3排放至空气中，包含hcl、so2、nox和hf等多种能够实时在线检测的污染物浓度，以及具有长周期、高成本等特点需离线化验浓度的dxn。由上述描述可知，dxn排放浓度与mswi过程不同阶段的易检测过程变量均具有相关性。

由图1可知，mswi过程可以分为焚烧、锅炉、烟气处理、蒸汽发电、烟气排放、公共工程辅助共6个子系统。对于dxn排放浓度建模，本发明将多个子系统视为多源信息。

建模策略

本发明中，模型输入数据x∈r^n×m包括n个样本(行)和m个变量(列)，其源于mswi过程的不同子系统。将来自第ith个子系统的建模数据表示为即存在如下关系，

其中，i表示子系统个数，mⁱ表示第ith个子系统包含的变量个数。相应的，输出数据包括n个样本(行)，其来源于离线化验的dxn排放浓度检测数据。显然，输入/输出数据在时间尺度上具有较大的差异性：过程变量以秒为单位在dcs系统采集与存储，dxn排放浓度以月/季为周期离线化验获得，故存在n＜＜m。

依据上述情况，本发明提一种基于潜在特征sen建模的dxn排放浓度软测量方法，包括潜在特征提取与初选模块、潜在特征度量与再选模块、自适应选择性集成建模模块，如图2所示。

在图2中，表示从第ith个子系统所采集的全部过程变量；表示针对第ith个子系统的全部过程变量采用pca提取的数量为的全部潜在特征；表示针对第ith个子系统的全部潜在特征依据设定阈值θcontri选择的数量为的初选潜在特征；表示针对第ith个子系统的初选潜在特征与dxn进行互信息(mi)度量后，基于阈值θmi选择的数量为的再选潜在特征；和表示为第ith个基于ls-svm的子模型所选择的核参数和正则化参数，即超参数对，本发明将其记为表示第ith个子模型的预测输出；y和表示dxn排放浓度软测量模型的真值和预测输出。

上述模块的功能是：

(1)潜在特征提取与初选模块：采用pca提取从不同子系统所采集的过程变量的全部潜在特征，基于依据经验设定的潜在特征贡献率阈值获得多源初选潜在特征，其目的是防止较小贡献率的潜在特征造成模型预测性能不稳定性。

(2)潜在特征度量与再选模块：采用互信息(mi)度量不同子系统的初选潜在特征与dxn排放浓度间的关系，并结合基于软测量模型预测性能自适应确定的阈值获得再选潜在特征，其目的是使得所选的多源潜在特征与dxn排放浓度间具有较好的映射关系。

(3)自适应选择性集成建模模块：采用超参数自适应选择策略构建面向不同子系统的具有最佳预测性能的子模型，结合分支定界(bb)和预测误差信息熵加权算法自适应地选择子模型和计算其加权系数，其目的是选择具有较好冗余与互补关系的潜在特征构建子模型进行融合，以提高sen软测量模型的预测性能。

潜在特征提取与初选模块

以第ith个子系统为例，首先采用pca提取高维输入过程变量的潜在特征。将输入数据xⁱ进行零均值1方差的标准化后，将其分解为，

其中，和表示第个主元(pc)的得分和负载向量，t表示转置，表示对第ith个子系统所提取的潜在特征数量，其计算公式如下，

基于上述表达式，从数据xⁱ所提取的全部潜在特征可表示为，

其中，表示得分矩阵，是数据xⁱ在负载矩阵pⁱ方向上的正交映射；pⁱ采用如下公式表示，

其中，

因此，从数据xⁱ所提取的潜在特征可表示为，

其中，

进一步，全部潜在特征可表示为，

研究表明，采用贡献率较小的潜在变量建模会导致模型预测性能的不稳定。此处，将与第个负载向量对应的特征向量记为相应的第个潜在特征的贡献率采用如下公式计算，

将依据经验选择的阈值记为θcontri，其默认取值为1。采用如下规则对全部潜在特征进行初次选择，

其中，表示第个潜在特征是否被选中的标记值，其值为1表示该潜在特征被初次选中。

因此，将针对第ith个子系统的初选潜在特征表示为，

进一步，全部初选潜在特征zfese1st可表示为，

潜在特征度量与再选模块

上一步骤中所获得的初选潜在特征是采用非监督方式提取，并且同一子系统所包含的特征是相互独立的，但未考虑这些特征与dxn排放浓度间的相关性，即贡献率高的潜在特征并不一定与dxn间的相关性强。仍以第ith个子系统为例，将每个初选潜在特征与dxn排放浓度间的互信息(mi)值标记为采用如下公式计算，

其中，和pprob(y)表示和y的边际概率密度；表示联合概率密度；表示条件熵，h(y)表示信息熵。

依据软测量模型的预测性能自适应确定阈值。阈值的上限值下限值及固定步长采用如下公式计算，

其中，函数max(·)和min(·)分别表示取最大值和最小值；表示依据经验确定的候选阈值的数量，其默认值为10。

将选定的阈值记为θcontri，其值在和之间以dxn软测量模型的预测性能为准则进行自适应选择。

采用如下规则对初选的潜在特征进行再次选择，

其中，表示第个潜在特征是否被选中的标记值，其值为1表示该潜在特征被再次选中。

进一步，将针对第ith个子系统的再选潜在特征表示为，

因此，全部再选潜在特征zfese2nd可表示为，

自适应选择性集成建模模块

以第ith个子系统为例，描述基于再选潜在特征和模型超参数对构建dxn排放浓度子模型的过程。

首先，将再选潜在特征通过映射变换到高维特征空间，然后求解如下优化问题，

其中，wⁱ表示权重系数，bⁱ表示偏置，是第nth个样本的预测误差。

采用拉格朗日方法，可得如下公式，

其中，表示拉格朗日算子向量，表示预测误差向量。

对上述公式进行求解，

将所采用的核函数表示如下，

进一步，将ls-svm问题转换为求解以下线性等式系统，

通过求解上述公式，得到βⁱ和bⁱ。

进而，基于ls-svm构建的dxn排放浓度子模型可表示为，

上述排放浓度子模型的超参数自适应选择机制采用下述的两步法实现：

第1步，采用网格搜索策略以子模型的预测性能为目标函数，在候选超参数矩阵mpara中自适应选择初始超参数对超参数矩阵mpara如下所示，

其中，k＝1,…,k,k表示候选核参数的数量；r＝1,…,r,r表示候选惩罚参数的数量；表示由第kth个核参数和第rth个惩罚参数组成的超参数对，也超参数矩阵mpara中的第jth个参数对，即存在j＝1,…,j,j＝k×r表示超参数矩阵mpara中的全部超参数对的个数。因此，对于初次采用网格搜索策略所选择的超参数对是矩阵mpara中一个元素，即存在

第2步，基于上述方法选择的采用如下公式获得新的候选超参数集合，

其中，和表示新的候选超参数集合，分别对应核参数向量和惩罚参数向量；nker和nreg表示依据经验设定的新的超参数的数量；和为依据经验设定的超参数收缩和扩放因子，其默认值均为10。

通过再次采用网格搜索策略自适应获得第ith个子模型的超参数对

对全部子系统执行上述过程，子模型预测输出的集合可表示为，

其中，表示第ith个子模型。

结合基于分支定界(bb)的最优化选择算法和基于误差的信息熵加权算法对上述子模型进行自适应的优化选择和计算加权系数。在给定候选子模型和加权算法后，最佳子模型选择与加权类似最优特征选择[29]。面向有限数量的候选子模型，通过多次运行优化和加权算法，可获得集成尺寸为2到(i-1)的sen模型，最后排序这些优化的sen模型并将预测性能最佳的作为最终dxn软测量模型。

假定最终dxn软测量模型的集成尺寸为isel，其预测输出值可由下式计算：

其中，表示第iselth个优化选择的子模型，和表示其对应的加权系数及预测值，和表示子模型的超参数和输入特征。

对比式(29)可知，存在如下关系，

利用子模型的预测值和真值，采用基于预测误差信息墒的加权算法得到，如下所示，

其中，

其中，和表示第nth个样本基于第iselth个优化选择的子模型的预测值和相对预测误差，表示第iselth个优化选择的子模型的预测误差的信息熵。

应用研究

本发明中的建模数据源于北京某基于炉排炉的mswi焚烧企业的1#炉，涵盖了2012～2018年所记录可用的dxn排放浓度检测样本，其数量为39个；相应的输入变量的维数为286维(包含了mswi过程的全部过程变量)。可见，输入特征数量远远超过建模样本数量，进行维数约简非常有必要。本发明将建模数据等分为两部分，分别用于训练和测试。

本发明中，将6个子系统焚烧、锅炉、烟气处理、蒸汽发电、烟气排放和公用工程辅助分别的标记为incinerator、boiler、fluegas、steam、stack和common。为表示焚烧过程变量的整体变化特性，本发明将包含全部变量的mswi系统也作为一个特殊的子系统进行分析和建模。因此，本发明共包含7个子系统。

潜在特征提取与初选结果

采用pca提取的7个子系统的前6个潜在特征的累积贡献率如图3所示。

图3表明，前6个pc的贡献率达到了80％，并且不同子系统的潜在变量所提取的贡献率具有差异性。

基于单个pc的贡献率不小于1％的准则，初选潜在特征的主元个数及其贡献率如表1所示。

表1初选潜在特征的主元个数及其贡献率

由表1可知，不同子系统所初选的潜在特征的数量为13、6、9、8、6、12和15。由于pca属于非监督特征提取方法，这些所提取特征仅是描述了输入数据的变化，其与dxn间的映射关系需要进行进一步的度量。

潜在特征度量与再选结果

采用mi方法度量针对不同子系统所提取的初选潜在特征与dxn间的映射关系，如图4所示。

图4表明：(1)全部子系统所初选的能够表征所在子系统过程变量最大变化的第1个潜在特征的mi值是最小的，表明了这些潜在特征与dxn排放浓度间的相关性较弱；(2)除第1个潜在特征外，其他潜在特征在表征过程变量的贡献率上虽然是逐渐下降的，但在表征mi值上却没有明显的规律可循；(3)从机理上分析，与dxn的产生、吸收和排放最为相关的是incinerator、fluegas和stack子系统，但这些子系统在所提取的潜在特征的mi值与其他子系统的差别较小。可见，仅仅是基于mi值进行决策存在局限性。不同子系统的初选潜在特征的mi值的最大值和最小值如表2所示。

表2不同子系统的初选潜在特征的mi值的最大值和最小值集合

表2表明：(1)针对最大值集合：最大值源于理论上与dxn排放并无直接关系的公共辅助(common)子系统，值为0.8613，其是否合理有待于进一步的结合模型预测结果进行验证；排在第2位的是焚烧(incinerator)子系统，其值为0.8559，该潜在变量理论上与dxn的产生相关，是比较合理的；(2)针对最小值集合：最小值源于焚烧(mswi)子系统，仅为0.4429，表明针对不同的子系统进行单独分析还是比较必要的；最大值源于烟气排放(stack)子系统，其为0.7182，由于其他的排放气体与dxn间是存在相关性的，此值也是较为合理的。

由表2可知，mi阈值的上限为0.7882，下限为0.7182，步长为0.006999。结合阈值的上下限和步长，最终确定的阈值为0.7882，再选的潜在特征的数量和mi值如表3所示。

表3再选潜在特征数量和mi值

自适应选择集成建模

本发明中，将候选正则化参数与核参数的集合分别预先选择为{0.0001,0.001,0.01,0.1,1,10,100,1000,2000,4000,6000,8000,10000,20000,40000,60000,80000,160000}和{0.0001,0.001,0.01,0.1,1,10,100,1000,1600,3200,6400,12800,25600,51200,102400}。

结合上文可知，焚烧、锅炉、烟气处理、蒸汽发电、烟气排放、公用工程、mswi全流程子模型的输入特征数量分别为5、2、1、3、2、6和1。采用网格搜索方法进行超参数自适应寻优的第1次和第2次的曲线如图5所示。

基于上述结果，上述子模型自适应选择的超参数对分别为{109,109}、{10000,25.75}、{5.950,0.0595}、{30.70,2.080}、{5.950,0.5950}、{1520800,22816}和{1362400,158.5}，对应的测试数据的均方根误差(rmse)分别为0.01676、0.02302、0.01348、0.01943、0.01475、0.02261和0.02375。

采用基于bb和预测误差信息熵加权算法的寻优和加权策略，在集成尺寸为2～6时所构建的sen模型的测试误差分别为0.01345、0.01332、0.01401、0.01460和0.01560。最终dxn软测量模型的集成尺寸为3，其选择的子模型所对应的子系统为烟气处理、烟气排放和焚烧，理论上这3个子系统与dxn的吸收、排放和生成相关。从本发明结果看，验证了所以算法的有效性，也表明了数据的可用性。

比较结果

与通常采用pls单模型、pca-lssvm单模型以及不同加权方法的比较如表4所示。

表4不同建模方法的结果统计

表1表明，采用全部过程变量构建的基于pls和pca-lssvm的dxn单模型的预测性能均弱于本发明所提的sen建模方法，说明采用基于源特征构建sen模型的策略是有效；同时，集成全部子模型的方法出采用pls加权具有强于其他集成全部子模型的en方法，表明pls算法在消除子模型的共线性方面较好；此外，sen模型选择的子模型所对应的子系统均与dxn的产生、吸收和排放机理相关，表明了建模数据的可用性和算法的有效性。

本发明基于北京某焚烧企业的工业过程数据，采用基于pca和先验知识的潜在特征提取和初选、基于mi和先验知识的初选潜在特征度量和选择和面向再选潜在特征的自适应sen建模机制，提出了基于多源潜在特征sen建模的dxn排放浓度软测量，仿真验证了所提方法的有效性。在结合软测量模型的预测出差自适应调整贡献率阈值、mi阈值、超参数和sen模型结构等方面还有待于深入研究。此外，结合dxn排放机理的分析也有待于深入进行。

参考文献

[1]柴天佑。复杂工业过程运行优化与反馈控制.自动化学报,39(11)(2013)1744-1757.

[2]t.y.chai,j.l.ding,g.yu,h.wang.integratedoptimizationfortheautomationsystemsofmineralprocessing[j].ieeetransactionsonautomationscience&engineering,11(4)(2014)965-982.

[3]t.y.chai,s.j.qin,h.wang.optimaloperationalcontrolforcomplexindustrialprocesses[j].annu.rev.control,38(1)(2014)81-92.

[4]arafatha,jijaklik,ahsana,2015.environmentalperformanceandenergyrecoverypotentialoffiveprocessesformunicipalsolidwastetreatment[j].journalofcleanerproduction,2015,105:233-240

[5]yuananh,hefac,shut.thegrowingimportanceofwaste-to-energy(wte)incinerationinchina'santhropogenicmercuryemissions:emissioninventoriesandreductionstrategies[j].renewableandsustainableenergyreviews,2018,97:119-137.

[6]huangt,zhoul,liul,xiam.ultrasound-enhancedelectrokineticremediationforremovalofzn,pb,cuandcdinmunicipalsolidwasteincinerationflyashes[j].wastemanagement,2018，75:226-235.

[7]p.h.jones,j.degerlache,e.marti,g.mischer,m.c.scherrer,w.j.bontinck,h.j.niessen,theglobalexposureofmantodioxins-aperspectiveonindustrial-wasteincineration[j],chemosphere26(1993)1491-1497.

[8]lix,zhangc,liy,zhiq.thestatusofmunicipalsolidwasteincineration(mswi)inchinaanditscleandevelopment[j].energyprocedia,2016,104:498-503.

[9]phillipsk,longhurstpj,waglandst.assessingtheperceptionandrealityofargumentsagainstthermalwastetreatmentplantsintermsofpropertyprices[j].wastemanagement.2014,34(1):219-225.

[10]zhanghj,niyw,chenjp,zhangq.influenceofvariationintheoperatingconditionsonpcdd/fdistributioninafull-scalemswincinerator[j].chemosphere,2008,70(4):721-730.

[11]mukherjeea,debnathb,ghoshsk.areviewontechnologiesofremovalofdioxinsandfuransfromincineratorfluegas[j].procediaenvironmentalsciences,2016,35:528-540.

[12]b.r.stanmore,modelingtheformationofpcdd/finsolidwasteincinerators,chemosphere47(2002)565-773.

[13]乔俊飞，郭子豪，汤健.面向城市固废焚烧过程的二噁英排放浓度检测方法综述[j].自动化学报,2019(在审).

[14]m.pandelova,d.lenoir,andk.w.schramm,correlationbetweenpcdd/f,pcbandpcbzincoal/wastecombustioninfluenceofvariousinhibitors,chemosphere62(2006)1196-1205.

[15]b.k.gullett,l.oudejans,d.tabor,a.touati,ands.ryan,near-real-timecombustionmonitoringforpcdd/pcdfindicatorsbygc–rempi–tofms[j][j],environmentalengineeringscience46(2012)923-928.

[16]w.wang,t.y.chai,w.yu,modelingcomponentconcentrationsofsodiumaluminatesolutionviahammersteinrecurrentneuralnetworks[j],ieeetransactionsoncontrolsystemstechnology,20(2012)971-982.

[17]j.tang,t.y.chai,w.yu,l.j.zhao,modelingloadparametersofballmillingrindingprocessbasedonselectiveensemblemultisensorinformation[j],ieeetransactionsonautomationscience&engineering,10(2013)726-740.

[18]changnb,huangsh.statisticalmodellingforthepredictionandcontrolofpcddsandpcdfsemissionsfrommunicipalsolidwasteincinerators[j].wastemanagement&research,1995,13,379-400.

[19]changnb,chenwc.predictionofpcdds/pcdfsemissionsfrommunicipalincineratorsbygeneticprogrammingandneuralnetworkmodeling[j].wastemanagement&research,2000,18(4)41-351.

[20]bunsans,chenwy,chenhw,chuangyh,grisdanurakn.modelingthedioxinemissionofamunicipalsolidwasteincineratorusingneuralnetworks[j].chemosphere,2013,92:258-264.

[21]t.a.f.gomes,r.b.c.prudêncio,c.soares,a.l.d.rossi,a.carvalho,combiningmeta-learningandsearchtechniquestoselectparametersforsupportvectormachines[j].neurocomputing75(1)(2012)3-13.

[22]j.tang,t.y.chai,w.yuandl.j.zhao,featureextractionandselectionbasedonvibrationspectrumwithapplicationtoestimatetheloadparametersofballmillingrindingprocess[j],controlengineeringpractice,20(10)(2012)991-1004.

[23]c.soares,.ahybridmeta-learningarchitectureformulti-objectiveoptimizationofsvmparameters[j].neurocomputing,143(143)(2014)27-43.

[24]g.yu,t.y.chai,x.c.luo.multiobjectiveproductionplanningoptimizationusinghybridevolutionaryalgorithmsformineralprocessing[j].ieeetransact.evolut.comput.15(4)(2011)487-514.

[25]s.yin,j.yin,tuningkernelparametersforsvmbasedonexpectedsquaredistanceratio[j].informationsciences,370-371(2016)92-102.

[26]lidc,liucw.extendingattributeinformationforsmalldatasetclassication.ieeetransactionsonknowledgeanddataengineering,2010,24(3):452-464

[27]汤健,乔俊飞,柴天佑,等.基于虚拟样本生成技术的多组分机械信号建模[j].自动化学报,2018,44(9):1569-1589.

[28]jiantang,zhuoliu,jianzhang,zhiweiwu,tianyouchai,wenyu.kernellatentfeatureadaptiveextractionandselectionmethodformulti-componentnon-stationarysignalofindustrialmechanicaldevice[j],neurocomputing,2016,216(c):296-309.

[29]汤健，田福庆，贾美英，李东。基于频谱数据驱动的旋转机械设备负荷软测量[m],国防工业出版社，2015年6月，北京

[30]gavinbrown,jeremywyatt,rachelharris,xinyao.diversitycreationmethods:asurveyandcategorisation[j].informationfusion6(2005)5–20

[31]tangjian,chaitian-you,yuwen,zhaoli-jie.modelingloadparametersofballmillingrindingprocessbasedonselectiveensemblemultisensorinformation[j].ieeetranzactiononautomationscienceandengineering,2013,10(3):726-740.

[32]jiantang,tianyouchai,wenyu,zhuoliu,xiaojiezhou.acomparativestudythatmeasuresballmillloadparametersthroughdifferentsingle-scaleandmulti-scalefrequencyspectra-basedapproaches[j],ieeetransactionsonindustrialinformatics,2016,12(6):2008-2019.

[33]zhouzh,wujandtangw,ensemblingneuralnetworks:manycouldbebetterthanall,”artificialintelligence[j],2002，137(1-2):239-263.

[34]mag,wul,wangy.ageneralsubspaceensemblelearningframeworkviatotally-correctiveboostingandtensor-basedandlocalpatch-basedextensionsforgaitrecognition[j].patternrecognition,2017.

[35]jiantang,junfeiqiao,zhiweiwub,tianyouchai,jianzhang,wenyu.vibrationandacousticfrequencyspectraforindustrialprocessmodelingusingselectivefusionmulti-conditionsamplesandmulti-sourcefeatures.mechanicalsystemsandsignalprocessing,99,1-27,2018.

[36]s.soares,c.h.antunes,r.araújo,“comparisonofageneticalgorithmandsimulatedannealingforautomaticneuralnetworkensembledevelopment,”neurocomputing,vol.21,no.9,pp.498-511,may.2013.