[發明專利]邊界森林模型的構建方法、面向復雜工業過程的多工況軟計算模型更新方法及其應用

有效

• 申請號: 201911036661.9
• 申請日: 2019-10-29
• 公開（公告）號: CN110795846B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 王曉軍
• 申請（專利權）人: 東北財經大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F111/10
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 劉斌

邊界森林模型的構建方法、面向復雜工業過程的多工況軟計算模型更新方法及其應用，屬于計算機應用領域，為了解決樹集成模型葉節點容易在輸出范圍上產生空白區域而導致預測值不可靠的問題，已知某一工況下的當前訓練集，設置不同的葉節點最少樣本數，使用不同的葉節點最少樣本建立K棵具有不同葉節點邊界的樹集成模型；使用樹集成模型預測所述當前訓練集中所有樣本的輸出值，并由預測的輸出值構成預測矩陣；根據預測矩陣的預測輸出值，構建其與真實輸出值的相關矩陣；計算融合權重向量，使用權重向量，將各邊界不同的樹集成模型融合成邊界森林模型，效果是不同樹模型的葉節點相互覆蓋，填補單棵樹在輸出邊界上的空白區域，進而產生可靠預測值。

技術領域

本發明屬于計算機應用領域，涉及集成學習、在線學習算法以及基于邊界森林的關鍵變量在線軟測量方法。

背景技術

軟計算(Soft?Computing)模型是執行關鍵變量(例如，電弧爐精煉過程鋼水終點溫度)預測任務的最有效工具之一。也稱為軟測量模型或軟傳感器，是一種虛擬傳感器，而非硬件儀器，具有易于實施和經濟可行的優點。從本質上講，軟計算模型屬于數據驅動模型，它們深入挖掘輸入變量和關鍵變量之間的非線性關系，通過函數映射的方式使數據能夠提供其潛在但有用的信息。然而，復雜工業過程等實際應用中的輸入變量和關鍵變量之間往往存在很強的非線性關系，且受噪聲影響嚴重。另外，隨著計算機科學、通信等技術的快速發展，工作人員從實際應用中采集并存儲了大規模數據。數據規模大、非線性關系強、噪聲影響等給軟計算模型的建立帶來了很大的挑戰。

為了迎接這一挑戰，研究者們提出了很多基于集成學習的關鍵變量軟測量技術，并將其應用于實際生產過程中。其中，基于樹集成方法的鋼水溫度軟測量模型就是一項新穎且先進的軟測量技術。然而，在有限樣本集上學習得到的數據驅動模型很難保證在看不見的未來保持一致的高性能，例如準確性和可靠性。數據樣本通常具有時間有效性，這意味著隨著時間的流逝，樣本的重要性會逐漸降低，直到樣本無效。采集于電弧爐精煉等復雜工業過程中的數據也存在這一問題，精煉過程分為多種工況，有些工況隨著時間的推移而被取消(比如產品的更新換代)，采集自這類工況的數據以及其軟測量模型將變得無效且冗余；有些工況是根據生產要求而新增加的，采集這類工況的數據需要不斷累積供建模使用；有些工況是已存在的工況，隨著時間的推移在累積新數據的同時，部分歷史數據變得無效，用于建模的數據總量也會動態變化。針對數據的時間有效性問題，具有更新功能在線學習方法提供了更好的解決方案。

發明內容

為了解決樹集成模型葉節點容易在輸出范圍上產生空白區域而導致預測值不可靠的問題，本發明提出了邊界森林模型的構建方法；為了解決數據的時間有效性問題，本發明還提出了面向復雜工業過程的多工況軟計算模型更新方法，能夠提高復雜工業過程關鍵變量在線預測的可靠性，面向海量、非線性強、噪聲高且具有時間有效性的數據，實現了建立準確而可靠的軟測量模型。

為了實現上述目的，本發明提出如下技術方案：一種邊界森林模型的構建方法，包括如下步驟，

第一步:已知某一工況下的當前訓練集為樣本輸出N表示樣本個數,M表示輸入特征維數，設置不同的葉節點最少樣本數{θ₁,θ₂,...,θ_K}，θ_i≠θ_j，i,j＝1,2,...,K，i≠j；

使用不同的葉節點最少樣本{θ₁,θ₂,...,θ_K}建立K棵具有不同葉節點邊界的樹集成模型{Tree1,Tree2,...,TreeK}，并使用f_Treek，k＝1,2,...,K表示樹集成模型的非線性函數；

第二步:使用樹集成模型{Tree1,Tree2,...,TreeK}預測所述當前訓練集Θ中所有樣本的輸出值，并由預測的輸出值構成預測矩陣其中表示第k棵樹集成模型Treek對第i個樣本X_i的預測值,i＝1,2,...,N，N表示樣本個數；