论文部分内容阅读
软测量技术是当今过程检测和过程控制技术的研究热点,由于实际工业过程对象呈现出日益复杂、工况时变以及过程变量众多且存在严重的非线性等特性,基于多元线性回归理论的传统软测量模型越来越不适应高度非线性的复杂工业过程软测量建模。而机器学习理论的发展为复杂的实际工业过程建模提供了新方向,为了提高模型的泛化性能以及模型的鲁棒性,本文分别从集成学习、局部学习和概率核学习角度探讨了一些基于机器学习的软测量建模方法,主要研究工作如下:1、利用集成学习的思想,提出了一种改进的Adaboost.RT模糊支持向量回归机的集成算法,提高了单一支持向量回归机的泛化能力。该集成算法把Adaboost.RT算法中样本权重函数作为FSVM的模糊隶属度函数,采用Adaboost.RT算法的迭代过程依次形成一系列FSVM,并且使用上层SVM对底层FSVM输出进行优化集成。该算法应用于脱水塔出口苯酚含量的软测量建模中,工业仿真结果表明该集成算法可以改善回归模型的估计效果,提高模型的泛化性能。2、局部学习是机器学习领域新的发展趋势,针对复杂工业过程的非线性、变量间的强相关性以及工况时变的特点,提出了一种基于局部KPLS特征提取的LSSVM建模方法。该方法通过属性加权的欧式距离作为指标选取局部训练样本子集,利用KPLS算法对该子集进行特征提取,然后使用LSSVM算法在线建立局部软测量模型。实验结果表明,该方法可以有效的实现特征提取,具有更好的推广能力和预测精度,该方法比基于全局KPLS特征提取的LSSVM模型和未经特征提取的全局LSSVM模型具有更好的泛化能力。3、概率核学习机是机器学习领域新的发展方向,本文提出一种基于仿射传播聚类和高斯过程的多模型建模方法,得到模型估计输出的同时还可以得到模型输出的置信区间。该方法定义了一种新的相似度使仿射传播聚类算法把样本数据按照不同的工作点进行聚类,获得的子聚类样本数据再分别使用高斯过程建立相应的子模型,用“切换开关”方式组合作为最终模型的输出。将该建模方法应用到某双酚A反应釜出口丙酮含量的软测量建模中,仿真结果表明该方法具有较高的估计精度和一定的实用价值。