[發(fā)明專利]一種基于多核潛在特征提取的智能集成軟測量方法

在審

• 申請?zhí)枺?/td>: 201711327861.0
• 申請日: 2017-12-13
• 公開（公告）號: CN108062566A
• 公開（公告）日: 2018-05-22
• 發(fā)明（設(shè)計）人: 湯健;劉卓;余剛;趙建軍
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N5/04;G06N7/02
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

本發(fā)明公開一種基于多核潛在特征提取的智能集成軟測量方法，基于多個候選核參數(shù)提取特征進(jìn)行集成構(gòu)造，獲得面向不同核參數(shù)的潛在特征子集；以這些潛在特征子集作為訓(xùn)練子集構(gòu)建候選模糊推理子模型，采用優(yōu)化算法和自適應(yīng)加權(quán)算法構(gòu)建得到選擇性集成模糊推理主模型；計算主模型預(yù)測誤差，選擇核參數(shù)并采用KPLS提取輸入數(shù)據(jù)中與主模型預(yù)測誤差相關(guān)的潛在特征集合；基于這些潛在特征集合采用Bootstrap算法進(jìn)行集成構(gòu)造，獲得面向訓(xùn)練樣本采樣的訓(xùn)練子集；基于這些訓(xùn)練子集構(gòu)造基于核隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)的候選子模型，采用遺傳算法優(yōu)化工具箱和AWF構(gòu)建選擇性集成KRWNN補償模型；將選擇性集成模糊推理主模型與選擇性集成KRWNN補償模型的輸出進(jìn)行合并得到預(yù)測結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)過程技術(shù)領(lǐng)域，尤其涉及一種基于多核潛在特征提取的智能集成軟測量方法。

背景技術(shù)

在復(fù)雜工業(yè)過程領(lǐng)域，受生產(chǎn)過程的機(jī)理復(fù)雜性、眾多因素的強耦合性，一些與產(chǎn)品的質(zhì)量、安全相關(guān)的關(guān)鍵過程參數(shù)難以采用儀表直接檢測。目前主要依靠優(yōu)秀的領(lǐng)域?qū)＜覒{經(jīng)驗估計或人工定時采樣、實驗室檢測的方法獲得這些參數(shù)，存在依賴性大、準(zhǔn)確度低、檢測滯后、耗時等缺點，難以對工業(yè)過程實現(xiàn)運行優(yōu)化與控制提供有效支撐。采用離線歷史數(shù)據(jù)建立軟測量模型是解決此問題的一個替代方法[1]。工業(yè)過程數(shù)據(jù)存在強非線性和共線性，采用全部變量建模不僅增加了模型的復(fù)雜度，而且影響模型的建模精度和速度。通常，輸入變量(特征)數(shù)量總是多于構(gòu)建高效簡潔模型所需的數(shù)量，特別是基于光譜、頻譜、圖像以及文本的模型。同時，小樣本建模數(shù)據(jù)包含的有價值信息同時具有不確定性和不精確性。

針對工業(yè)過程中的數(shù)據(jù)共線性問題，特征提取和特征選擇技術(shù)可以有效處理。兩者各有其優(yōu)缺點：特征選擇技術(shù)只是選擇最重要的某些相關(guān)特征，未被選擇的特征可能會降低估計模型的泛化性能[2]；特征提取方法是采用線性或是非線性的方式確定合適的低維潛在特征替代原始高維原始特征。常用的基于主成分分析(PCA)的特征提取方法未考慮輸入和輸出數(shù)據(jù)間的相關(guān)性[3]。基于偏最小二乘或潛變量映射(PLS)的特征提取方法可有效克服這一缺陷[4]，其核版本，即核PLS(KPLS)是一種采用為輸入數(shù)據(jù)擴(kuò)展非線性項而實現(xiàn)非線性特征提取的簡單高效方法[5,6]。但是核類型及核參數(shù)往往與建模數(shù)據(jù)相關(guān)，難以進(jìn)行合理選擇，并且基于KPLS方法采用不同的核參數(shù)可以提取得到不同的潛在特征。

模糊推理是一種用于處理含有非確定性和非精確性信息的非線性建模問題的有效方法。文獻(xiàn)[7]提出了從建模數(shù)據(jù)提取高效模糊規(guī)則的方法，進(jìn)而簡化了構(gòu)造推理模型的難度。通常，模糊規(guī)則的提取過程被稱之為結(jié)構(gòu)辨識。很多離線和在線的聚類策略，如模糊C-均值、爬山聚類[8]、減法聚類[9]、遞推在線聚類[10]用于模糊規(guī)則的提取，但是這些算法策略未考慮輸入和輸出數(shù)據(jù)空間存在的相互關(guān)系。文獻(xiàn)[11]通過引入新設(shè)計的參數(shù)對輸入空間進(jìn)行加權(quán)，有效的解決了這一問題。目前的模糊推理模型多采用傳統(tǒng)的單模型結(jié)構(gòu)。集成建模方法可以提高模型的泛化性、有效性及可信度。集成學(xué)習(xí)通對具有差異性的子模型進(jìn)行集成獲得比單一模型更好的預(yù)測性能和穩(wěn)定性。研究表明，優(yōu)選可用的子模型進(jìn)行選擇性集成(SEN)能夠得到比簡單集成全部子模型以及單一模型具有更佳的泛化性能[12]。因此，選擇性的優(yōu)化集成多個模糊推理子模型也可以獲得更好的預(yù)測性能，同時可以簡化推理規(guī)則。顯然，基于知識規(guī)則的模糊推理模型具備較強的推理能力，但其學(xué)習(xí)和模式識別能力較弱。

面對小樣本數(shù)據(jù)時，誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)(BPNN)難以建立穩(wěn)定性較高的預(yù)測模型。基于結(jié)構(gòu)風(fēng)險最小化的支持向量機(jī)(SVM)建模方法適用于小樣本數(shù)據(jù)建模，需要花費較多時間求解最優(yōu)解。隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)(RWNN)雖然求解速度快[13,14,15]，但在面向小樣本數(shù)據(jù)建模時同樣存在預(yù)測性能不穩(wěn)定的問題，也難以直接用于高維數(shù)據(jù)建模。將核技術(shù)引入RWNN構(gòu)建的核RWNN(KRWNN)模型可有效克服上述問題[16]。顯然，這些非規(guī)則推理的數(shù)據(jù)驅(qū)動建模方法可以有效擬合建模數(shù)據(jù)。