[發(fā)明專利]基于RReliefF變量選擇的生產(chǎn)過程主導變量精簡化軟測量方法

有效

• 申請?zhí)枺?/td>: 201210551613.5
• 申請日: 2012-12-18
• 公開（公告）號: CN103033213A
• 公開（公告）日: 2013-04-10
• 發(fā)明（設計）人: 李太福;顏克勝;蘇盈盈;姚立忠;胡文金;王美丹
• 申請（專利權(quán)）人: 重慶科技學院
• 主分類號: G01D21/00
• 分類號: G01D21/00
• 代理公司: 重慶為信知識產(chǎn)權(quán)代理事務所(普通合伙) 50216
• 代理人: 余錦曦

1.一種基于RReliefF變量選擇的生產(chǎn)過程主導變量精簡化軟測量方法，其特征在于按如下步驟進行：

步驟一：確定與主導變量可能相關的n個原始輔助變量，采集n個原始輔助變量和主導變量的取值，組成樣本集，樣本集大小為m，樣本大小為n+1；

步驟二：利用RReliefF算法分別計算n個原始輔助變量的權(quán)重值；

步驟三：n個原始輔助變量組成原始輔助變量序列；

步驟四：確定最佳輔助變量集，包括以下步驟：

第一步，設定循環(huán)次數(shù)N=n；

第二步，隨機從樣本集中選擇p個樣本作為訓練樣本，剩下的m-p個樣本作為檢驗樣本；

第三步，根據(jù)所述訓練樣本，利用BP神經(jīng)網(wǎng)絡建立原始輔助變量序列中所包含變量的非線性模型；

第四步，將所述檢驗樣本的原始輔助變量值輸入至所述非線性模型，得到m-p個檢驗樣本對應的主導變量預測值；

第五步，計算m-p個檢驗樣本主導變量預測值的均方誤差MSE；

第六步，刪除當前原始輔助變量序列中權(quán)重值最小的原始輔助變量，組成新的原始輔助變量序列；設定N=N-1，判斷此時N是否為0：

如果N≠0，則回到第三步；

如果N=0，則最小的MSE對應原始輔助變量序列即為最佳輔助變量集；

步驟五：最佳輔助變量集在步驟四中對應的非線性模型即為精簡化軟測量模型。

2.根據(jù)權(quán)利要求1所述的基于RReliefF變量選擇的生產(chǎn)過程主導變量精簡化軟測量方法，其特征在于：利用RReliefF算法計算n個原始輔助變量中任一原始輔助變量A的權(quán)重值按如下步驟進行：

(一)從樣本集中選出某個樣本D_i，從剩余的m-1個樣本中選出離該樣本D_i距離最近的k個樣本，其中1≤i≤m；

(二)計算在所述樣本D_i主導變量取值P₀條件下的權(quán)重集n_dC，按下式進行：

ndC=+Σi=1k|P0-Pi|Pmax-Pmin·1k]]>

其中，P₀表示所述樣本D_i的主導變量P的取值，P_i(1≤i≤k)是所述k個樣本中第i個樣本的主導變量值，P_max和P_min分別是m個樣本中主導變量的最大值和最小值；

(三)計算在所述樣本D_i原始輔助變量A條件下的權(quán)重集n_dA[A]，按下式進行：

ndA[A]+Σi=1k|A0-Ai|Amax-Amin·1k]]>

其中，A₀表示所述樣本D_i的原始輔助變量A的取值，A_i(1≤i≤k)是所述k個樣本中第i個樣本內(nèi)原始輔助變量A的取值，A_max和A_min分別是m個樣本中原始輔助變量A的最大值和最小值；

(四)計算在所述樣本D_i主導變量取值P₀和原始輔助變量A條件下的權(quán)重集n_dC&dA[A]：

(五)重復(一)、(二)、(三)、(四)，總共重復m-1次，每次選擇不同的樣本；共得到m個n_dC、m個n_dA[A]、m個n_dC&dA[A]；

(六)分別計算N_dC、N_dA[A]與N_dC&dA[A]；

其中，N_dC是m個n_dC之和；N_dA[A]是m個n_dA[A]之和；N_dC&dA[A]是m個n_dC&dA[A]之和；

(七)用下式計算原始輔助變量A的權(quán)重值W[A]：

W[A]：=N_dC&dA[A]/N_dC-(N_dA[A]-N_dC&dA[A])/(m-N_dC)

3.根據(jù)權(quán)利要求1所述的基于RReliefF變量選擇的生產(chǎn)過程主導變量精簡化軟測量方法，其特征在于：在利用BP神經(jīng)網(wǎng)絡建立原始輔助變量序列中所包含變量的非線性模型的過程中，輸入層的節(jié)點個數(shù)等于當前原始輔助變量序列中所包含的變量個數(shù)，隱含層的節(jié)點個數(shù)通過交互驗證法確定，輸出層的節(jié)點個數(shù)為1，其中，隱含層的傳遞函數(shù)為：輸出層的傳遞函數(shù)為：purelin(x)=x。