公开(公告)号：CN103105775A

公开(公告)日：2013-05-15

申请号：CN201210543781.X

申请日：2012-12-17

Applicant: 清华大学

Inventor： 刘民 ,  郝井华 ,  郭路 ,  吴澄 ,  王凌 ,  张亚斌 ,  刘涛

IPC: G05B13/02

Abstract: 基于序优化与在线核极限学习机的分层迭代优化调度方法，属于自动控制、信息技术和先进制造领域，具体涉及菜单层批调度策略优化、操作层操作排序优化和基于核极限学习机在线学习的目标函数评价等方法。其特征在于，针对微电子生产过程中的扩散区组批调度过程中决策变量多，批调度策略与操作排序策略之间存在较强耦合等特点，在调度算法中采用了分层调度结构，对菜单层批调度策略和操作层排序策略进行迭代优化，为提高算法运算效率，采用序优化方法快速优化菜单层批调度策略，并通过菜单层和操作层之间的迭代优化，进一步提高调度算法性能。本发明所提出的基于序优化与在线核极限学习机的分层迭代优化调度方法具有较好的求解速度和优化性能。

公开(公告)号：CN106600001B

公开(公告)日：2019-04-05

申请号：CN201611105105.9

申请日：2016-12-05

Applicant: 清华大学 ,  青岛清能合创智能科技有限公司

Inventor： 刘民 ,  段运强 ,  董明宇 ,  张亚斌 ,  刘涛

IPC: G06N20/00 ,  G06F17/10

Abstract: 本发明涉及一种基于混合高斯分布相关学习机的玻璃窑炉温度预报方法，属于自动控制、信息技术和先进制造领域，其特征在于，针对玻璃窑炉温度预报所具有的玻璃窑炉内部反应过程复杂、数据存在复杂非对称噪声及输入变量中包含时间序列变量等建模难题，提出一种基于混合高斯分布下鲁棒相关学习机的玻璃窑炉温度预报方法。该方法采用核函数回归模型作为预报模型结构，使用非零均值混合高斯分布作为预报模型残差项的概率密度分布，将时间序列变量并列列出作为模型的输入变量，并采用贝叶斯推断方法获得模型结构参数的近似后验概率分布，从而获得预报模型的结构参数。本发明可有效应用于玻璃窑炉池底温度的预报，以提高玻璃窑炉控制和操作优化的效果。