[發(fā)明專利]融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測(cè)量方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210551632.8
• 申請(qǐng)日: 2012-12-18
• 公開（公告）號(hào): CN102967327A
• 公開（公告）日: 2013-03-13
• 發(fā)明（設(shè)計(jì)）人: 蘇盈盈;姚立忠;顏克勝;李太福;胡文金;王美丹
• 申請(qǐng)（專利權(quán)）人: 重慶科技學(xué)院
• 主分類號(hào): G01D21/00
• 分類號(hào): G01D21/00
• 代理公司: 重慶為信知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50216
• 代理人: 余錦曦

1.一種融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測(cè)量方法，其特征在于按如下步驟進(jìn)行：

步驟一：確定與主導(dǎo)變量可能相關(guān)的n個(gè)原始輔助變量，采集n個(gè)原始輔助變量和主導(dǎo)變量的取值，組成樣本集，樣本集大小為m；

將n個(gè)原始輔助變量數(shù)據(jù)寫成矩陣X=[x₁，…，x_m]^T形式，主導(dǎo)變量數(shù)據(jù)寫成矩陣Y=[y₁，…，y_m]^T，其中，x_i∈R^n×1，y_i∈R，i＝1，2，…，m，并將它們進(jìn)行標(biāo)準(zhǔn)化處理；

步驟二：融合KPLS和FNN方法分別計(jì)算n個(gè)原始輔助變量的權(quán)重值；

步驟三：n個(gè)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(shè)定循環(huán)次數(shù)N=n；

第二步，隨機(jī)從樣本集中選擇p個(gè)樣本作為訓(xùn)練樣本，剩下的m-p個(gè)樣本作為檢驗(yàn)樣本；

第三步，根據(jù)所述訓(xùn)練樣本，利用BP神經(jīng)網(wǎng)絡(luò)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(yàn)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(gè)檢驗(yàn)樣本對(duì)應(yīng)的主導(dǎo)變量預(yù)測(cè)值；

第五步，計(jì)算m-p個(gè)檢驗(yàn)樣本預(yù)測(cè)值的均方誤差MSE；

第六步，刪除當(dāng)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，并設(shè)定N=N-1，判斷此時(shí)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(duì)應(yīng)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(duì)應(yīng)的非線性模型即為精簡化軟測(cè)量模型。

2.根據(jù)權(quán)利要求1所述的融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測(cè)量方法，其特征在于：所述融合KPLS和FNN方法計(jì)算某個(gè)原始輔助變量A的權(quán)重值按如下步驟進(jìn)行：

(一)：利用KPLS算法計(jì)算樣本集的k個(gè)KPLS主元得分向量組成的主元得分矩陣T=[t₁，...，t_k]，按如下步驟進(jìn)行：

(1)：計(jì)算核矩陣K，其中，K的第ij位元素為K_ij=κ(x_i，x_j)，i，j=1，2，…，m；

(2)：中心化核矩陣K←(Im-1m×1m×1mT)×K×(Im-1m×1m×1mT),]]>其中，I_m為m階單位矩陣，

(3)：初始化對(duì)偶投影方向向量u_i=Y，并令K₁＝K；

(4)：從i＝1，2，……循環(huán)執(zhí)行步驟：

①ti=Kiui/uiTKiui;]]>

②qi=Yiti/||tiTti||;]]>

③ui+1=YiqiqiTqi;]]>

判斷u_i+1是否收斂，即判斷||u_i-u_i+1||≤0.001是否成立，若成立，則認(rèn)為u_i+1已收斂，則進(jìn)入步驟(5)，并得到KPLS主元得分向量個(gè)數(shù)k=i，否則認(rèn)為u_i+1仍未收斂，則執(zhí)行④；

④執(zhí)行縮并Ki+1=(I-titiT/tiTti)Ki(I-titiT/tiTti);]]>

⑤執(zhí)行縮并Yi+1=(I-titiT/tiTti)Yi;]]>

⑥返回至①；

(5)：得到矩陣U＝[u₁，...，u_k]和k個(gè)KPLS主元得分向量組成的主元得分矩陣T=[t₁，...，t_k]；

(二)：借助FNN方法計(jì)算某個(gè)原始輔助變量A的權(quán)重值，按如下步驟進(jìn)行：

(1)：將原始樣本集中的原始輔助變量A的取值全部設(shè)置為零，其他原始輔助變量取值不變，得到新的樣本集矩陣其中，

i=1，2，…，m；

(2)：計(jì)算核矩陣其中，的第ij位元素為

Kij‾=κ(xi‾,xj)=exp(-||xi‾-xj||2/c),]]>i，j=1，2，…，m；

(3)：中心化核矩陣K‾←(Im-1m×1m×1mT)×K‾×(Im-1m×1m×1mT),]]>其中，I_m為m階單位矩陣，

(4)：計(jì)算原始輔助變量A置零下的KPLS主元得分矩陣

其中，U，T，K均為步驟(一)中計(jì)算得到的相應(yīng)矩陣；

(5)：執(zhí)行如下計(jì)算

D=Σi=1m||T(i,:)-WA(i,:)||]]>

其中，T(i，：)，W_A(i，：)均表示矩陣的第i行，亦即原始樣本集和將原始輔助變量A置零后所得樣本集的第i個(gè)樣本在KPLS主元空間中的投影坐標(biāo)；

(6)：d=1m×D]]>

d值即是原始輔助變量A的權(quán)重值。

3.根據(jù)權(quán)利要求1所述的融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測(cè)量方法，其特征在于：在利用BP神經(jīng)網(wǎng)絡(luò)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(diǎn)個(gè)數(shù)等于當(dāng)前原始輔助變量序列中所包含的變量個(gè)數(shù)，隱含層的節(jié)點(diǎn)個(gè)數(shù)通過交互驗(yàn)證法確定，輸出層的節(jié)點(diǎn)個(gè)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。