[發明專利]基于分布并行局部優化參數的最小二乘支持向量機軟測量方法

有效

• 申請號: 201810190851.5
• 申請日: 2018-03-08
• 公開（公告）號: CN108388745B
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 葛志強;張鑫宇
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/12;G06N7/00;G06N20/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于分布并行局部優化參數的最小二乘支持向量機軟測量方法，其特征在于，所述的基于局部優化參數的最小二乘支持向量機的建模過程如下：

(a)將訓練樣本集和測試樣本集進行歸一化；

(b)在歸一化后的訓練樣本集中找到與每個歸一化后的測試樣本歐式距離最近的一個訓練樣本，并將這些所找到的訓練樣本合并為與測試樣本集相同樣本個數的局部優化目標集，同時在訓練集中刪除所挑選出的樣本，由剩余的訓練樣本組成局部優化訓練集；

(c)以局部優化訓練集作為訓練，以局部優化目標集作為測試帶入最小二乘支持向量機模型中進行預測，并對局部優化目標集中每個樣本的預測值與真實值偏差絕對值進行求和，并作為目標函數，設定最小二乘支持向量機模型懲罰因子γ和徑向基核函數參數σ²的取值范圍，并以其作為約束條件；

(d)采用智能優化算法對上一步的優化問題進行求解，返回最優最小二乘支持向量機模型懲罰因子γ和徑向基核函數參數σ²；

(e)將步驟(d)中獲得的優化模型參數代入最小二乘支持向量機模型中，以全體訓練集對模型進行訓練，即獲得基于局部優化后的最小二乘支持向量機模型；

所述的基于分布并行局部優化參數的最小二乘支持向量機軟測量方法具體包括如下步驟：

步驟一：收集歷史工業過程數據建立訓練集，訓練集中共有n個樣本，每個樣本具有m個易于測量的過程變量，以及一個需要被估計的質量變量，因此將訓練樣本集表示為S_train＝{(x_i,y_i)|i＝1,2…,n}，其中x_i∈R^1×m，y_i∈R¹，將樣本中的過程變量表示為S_train(x)，將樣本中的質量變量表示為S_train(y)，模型的測試集與訓練集具有相同的形式，表示為S_test＝{(x_i,y_i)|i＝1,2…,n_t}，n_t為測試集中的樣本個數；

步驟二：將訓練集中的樣本平均分塊，每塊數據的樣本個數與測試集樣本個數的比為α，且α≥2；

步驟三：采用如下公式計算訓練集的分塊個數

Split_Num＝floor(n/(α·n_t))

式中，Split_Num為訓練集分塊個數，n為訓練樣本個數，n_t為測試樣本個數，floor為向下取整；

步驟四：為每塊中的訓練樣本標記數據塊標簽，具體如下：

(a)產生從1至Split_Num的間隔為1的升序整數序列Split_List作為每個數據塊的標簽序列，序列中的元素表示為Split_List[j],j＝1…Split_Num；

(b)利用Split_List中的取值為訓練集中樣本(x_{Split_Num×(i-1)+1},y_{Split_Num×(i-1)+1})至樣本(x_{i×Split_Num},y_{i×Split_Num})進行標記，其中i為標記的輪數，i的初始值為1，終值為ceil(n/Split_Num)，其中，ceil為向上取整，且當完成第一輪標記時，采用隨機排列函數為shuffle將Split_List的序列順序隨機打亂，打亂后的標簽序列為Split_List＝shuffle(Split_List)，繼續標記，以此類推；

(c)判斷i的取值是否到達ceil(n/Split_Num)，或所有訓練樣本是否均已被標記，若是，則完成訓練樣本的標記；

步驟五：將具有相同標簽的訓練樣本歸為一個數據塊中，共形成Split_Num個數據塊；

步驟六：在多臺計算機上使用基于局部優化的最小二乘支持向量機分布并行地對每個數據塊中的訓練數據進行建模以及對測試集數據進行預測，共得到Split_Num個對測試集的預測結果，每個測試結果表示為yp^k_j，其中k＝1…Split_Num，j＝1…n_t；

步驟七：對Split_Num個預測結果取均值作為最終的預測結果，表示為