[發(fā)明專利]基于譜聚類分析的即時(shí)學(xué)習(xí)建模對(duì)脫丁烷塔底丁烷濃度進(jìn)行預(yù)測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710632210.6
• 申請(qǐng)日: 2017-07-28
• 公開（公告）號(hào): CN107403196B
• 公開（公告）日: 2020-05-12
• 發(fā)明（設(shè)計(jì)）人: 熊偉麗;史旭東
• 申請(qǐng)（專利權(quán)）人: 江南大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

1.基于譜聚類分析的即時(shí)學(xué)習(xí)建模對(duì)脫丁烷塔底丁烷濃度進(jìn)行預(yù)測(cè)的方法，其特征在于，該方法步驟為：

步驟1：收集輸入輸出數(shù)據(jù)組成歷史訓(xùn)練數(shù)據(jù)庫(kù)，所述數(shù)據(jù)來自于脫丁烷塔過程；

步驟2：實(shí)施譜聚類把訓(xùn)練數(shù)據(jù)劃分到不同的操作階段，所述的譜聚類算法為：

輸入數(shù)據(jù)集X∈R^N×J，其中，J是過程變量的維數(shù)，N是訓(xùn)練樣本的個(gè)數(shù)，x_i∈R^J為輸入數(shù)據(jù)集X中第i個(gè)樣本的值，i＝1,2,…,N,

定義相似度矩陣W，本文采用式(1)定義的相似度測(cè)度

其中，|x_i-x_j|表示x_i與x_j之間歐式距離，τ為此相似度測(cè)度的參數(shù)；

計(jì)算拉普拉斯矩陣

L＝D-W (2)

其中，

對(duì)L進(jìn)行特征值分解，得到特征值集合與特征向量集合特征向量按特征值有小到大順序排列；

選取前c個(gè)特征向量對(duì)實(shí)施k-means，得到聚類結(jié)果其中k為設(shè)定的聚類個(gè)數(shù)，X_g表示第g階段的全部樣本；

步驟3：k-means的詳細(xì)步驟

隨機(jī)選取個(gè)k聚類質(zhì)心點(diǎn)初始值，μ_g(g＝1,2,...,k)，

重復(fù)下面過程直到聚類質(zhì)心點(diǎn)收斂{

對(duì)于每一個(gè)樣本x_i，計(jì)算其應(yīng)該屬于的類

其中，g(x_i)表示x_i屬于的類

}

對(duì)于每一個(gè)類g，重新計(jì)算該類的質(zhì)心

其中，N(X_g)表示第g階段的全部樣本的個(gè)數(shù)；

步驟4：

通過離線訓(xùn)練階段，對(duì)歷史數(shù)據(jù)進(jìn)行譜聚類，得到分類好的數(shù)據(jù)集

當(dāng)新的查詢樣本到來時(shí)，先計(jì)算其隸屬于各類的后驗(yàn)概率，計(jì)算方式為式(6)-式(8)

其中，p(g)為第g類的先驗(yàn)概率，n(X_g)和n(X)分別表示第g類和整個(gè)訓(xùn)練集中的樣本個(gè)數(shù)；p(x|g)是似然函數(shù)，μ_g表示第g類樣本的聚類質(zhì)心；

步驟5：計(jì)算訓(xùn)練樣本中的樣本x_i與查詢樣本x_q之間相似度

步驟6：最終，對(duì)于某個(gè)查詢樣本，將訓(xùn)練樣本按照與其的相似度從大到小的順序排列，選擇L個(gè)樣本構(gòu)建局部軟測(cè)量模型，當(dāng)下一個(gè)的查詢樣本到來時(shí)丟棄舊的模型，再按照上述程序再次建立局部模型；

步驟7：所得數(shù)據(jù)在不同相似樣本個(gè)數(shù)下丁烷濃度預(yù)測(cè)值和實(shí)際值擬合，并且與傳統(tǒng)即時(shí)學(xué)習(xí)所建立的軟測(cè)量模型進(jìn)行了比較。