基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

基于协同训练的半监督异构自适应软测量建模方法的研究

软测量技术被广泛应用到工业过程中重要且难以在线测量变量的预测。然而，由于工业过程的复杂性,非线性和高昂的数据获取成本，使得建模所需的输入和输出变量数据比例严重不平衡。因此，本文在已有的co-training模型的基础上，将协同训练算法与前馈神经网络（BP）算法相结合，提出了针对非线性问题的co-training BP模型。然而，由于软测量模型应用过程的时变性和不确定性，以及外部环境等因素的影响，会造成数据突变、延迟和波动性大等情况，导致模型预测性能的衰减。因此，本文提出了一种半监督异构的自适应co-training RPLS-RBP模型。一方面，该模型使用奇偶分组的方法将标记数据进行两部分均分。另一方面，递归PLS（RPLS）与递归BP（RBP）同时用于标记数据的建模和预测。为了验证模型的预测性能，所提出模型在一个污水处理的仿真基准平台(BSM1)和一个实际污水厂(UCI)的数据中得到了验证。结果表明，所提模型具有较好的预测性能。     

基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

基于遗传算法变量选择的子空间辨识方法研究

针对污水处理过程中重要水质参数BOD_5(5天生化需氧量)和COD(化学需氧量)的难以实时在线测量问题,提出了基于遗传算法变量选择的子空间辨识软测量建模方法。先利用遗传算法选出与目标变量密切相关的辅助变量,再结合子空间算法建立目标函数的预测模型。基于加州大学的UCI数据库进行仿真实验,结果表明,结合变量选择后的模型比仅使用子空间建模的模型,其预测精度得到了提高,进一步验证了文中方法的有效性。     

基于非线性核脊回归算法的海洋微生物发酵参数软测量

针对海洋微生物溶菌酶发酵工艺中参数实时测量,采用根据发酵过程中主辅变量关系的相关灵敏度矩阵绝对值最大元素排序选择辅助变量,运用非线性核脊回归(NKRR)算法预测主导参数的软测量方法.相关灵敏度矩阵反映主辅变量联系,根据发酵实际实验得到.改进直接优化的非线性核脊回归算法辨识发酵非线性系统,将空间Rn中主导变量和辅助变量非...     

基于快速独立分量分析的苯酚浓度软测量

针对软测量技术中辅助变量间可能存在的复杂的内在联系给辅助变量选择及提高模型精度等方面带来的诸多不利因素,提出了一种基于负熵最大的快速独立分量分析(Fast-ICA)方法,可以有效地消除辅助变量间的信息冗余现象,得到相互独立的分量.再通过互信息分析各个分量和主导变量间的内在联系,选择和主导变量联系较大的分量用于模型训练,并将其应用到苯酚(BF)浓度的软测量中.仿真结果表明:从经过ICA分解的独立分量中提取出样本特征并用于支持向量机模型(SVM)的训练,可以有效地减少冗余信息的干扰,提高软测量模型的估计精度和泛化能力.     

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入（locally linear embedding, LLE）和测地线流式核（geodesic flow kernel, GFK）相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。