[發(fā)明專利]借助Pearson相關(guān)系數(shù)實(shí)現(xiàn)生產(chǎn)過(guò)程主導(dǎo)變量精簡(jiǎn)化軟測(cè)量方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210551941.5
• 申請(qǐng)日: 2012-12-18
• 公開(kāi)（公告）號(hào): CN103033214A
• 公開(kāi)（公告）日: 2013-04-10
• 發(fā)明（設(shè)計(jì)）人: 李太福;蘇盈盈;姚立忠;顏克勝;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

1.一種借助Pearson相關(guān)系數(shù)實(shí)現(xiàn)生產(chǎn)過(guò)程主導(dǎo)變量精簡(jiǎn)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，樣本大小為n+1；

步驟二：利用Pearson相關(guān)系數(shù)算法分別計(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)樣本主導(dǎo)變量預(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；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(jiǎn)化軟測(cè)量模型。

2.根據(jù)權(quán)利要求1所述的借助Pearson相關(guān)系數(shù)實(shí)現(xiàn)生產(chǎn)過(guò)程主導(dǎo)變量精簡(jiǎn)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(guò)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(guò)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。