[發(fā)明專利]基于半監(jiān)督貝葉斯正則化混合Student’s t模型的魯棒軟測(cè)量方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111522291.7
• 申請(qǐng)日: 2021-12-13
• 公開（公告）號(hào): CN114169459A
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計(jì)）人: 文成林;李德陽;宋執(zhí)環(huán)
• 申請(qǐng)（專利權(quán)）人: 廣東石油化工學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F17/18;G06N20/00
• 代理公司: 北京圣州專利代理事務(wù)所(普通合伙) 11818
• 代理人: 王杰

本發(fā)明公開了一種基于半監(jiān)督貝葉斯正則化混合Student’s t模型的魯棒軟測(cè)量方法，屬于工業(yè)過程預(yù)測(cè)和控制技術(shù)領(lǐng)域。該方法在有監(jiān)督混合Student’s t模型的基礎(chǔ)上，設(shè)計(jì)了半監(jiān)督的混合Student’s t模型結(jié)構(gòu)，并將質(zhì)量變量和輔助變量之間的回歸系數(shù)貝葉斯化，通過變分貝葉斯期望最大化算法來更新模型參數(shù)，進(jìn)而實(shí)現(xiàn)軟測(cè)量模型的建立。本發(fā)明不僅能夠有效的解決有標(biāo)簽樣本稀少導(dǎo)致的軟測(cè)量建模不準(zhǔn)的問題，還能夠在一定程度上緩解了過擬合，提高了模型的預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)過程預(yù)測(cè)和控制技術(shù)領(lǐng)域，尤其是涉及一種基于半監(jiān)督貝葉斯正則化混合Student’s t模型的魯棒軟測(cè)量方法。

背景技術(shù)

在許多工業(yè)過程中，存在著一類由于技術(shù)缺陷或經(jīng)濟(jì)成本而難以測(cè)量的關(guān)鍵質(zhì)量變量。然而，實(shí)時(shí)監(jiān)測(cè)這些質(zhì)量變量在工業(yè)過程中起著重要的作用，例如化學(xué)反應(yīng)的平穩(wěn)運(yùn)行或反應(yīng)產(chǎn)物的純度。軟測(cè)量本質(zhì)上是質(zhì)量變量和輔助變量(易于測(cè)量的變量)的數(shù)學(xué)描述，通過使用輔助變量提供質(zhì)量變量的估計(jì)值，是解決質(zhì)量變量實(shí)時(shí)測(cè)量的有效方法。由于無延遲和易于維護(hù)等優(yōu)點(diǎn)，軟測(cè)量在過去幾十年中得到了廣泛的研究和應(yīng)用。

工業(yè)數(shù)據(jù)通常呈現(xiàn)出許多難以處理的特征，包括非線性，非高斯性，多模態(tài)特性，離群點(diǎn)等。非線性、非高斯性和多模態(tài)特性通常來源于復(fù)雜的過程機(jī)理、多種產(chǎn)品等級(jí)或運(yùn)行階段引起的多種工況/階段、負(fù)載變化等。離群點(diǎn)主要是由于硬件傳感器獲得的一些工業(yè)過程變量的測(cè)量值不可避免地被錯(cuò)誤地觀察、記錄或?qū)霐?shù)據(jù)庫。針對(duì)這些數(shù)據(jù)特性，有監(jiān)督混合Student’s t模型被提出并應(yīng)用到工業(yè)過程的魯棒軟測(cè)量建模。在軟測(cè)量應(yīng)用中，由于質(zhì)量變量采樣率較低，有標(biāo)簽數(shù)據(jù)(輸入和輸出都是已知的)通常是稀缺的；而無標(biāo)簽數(shù)據(jù)(只有輸入是已知的)由于高采樣率而大量存在。現(xiàn)有的有監(jiān)督混合Student’s t模型在軟測(cè)量開發(fā)時(shí)僅僅只利用了有標(biāo)簽數(shù)據(jù)，這極大地限制了軟測(cè)量模型的預(yù)測(cè)精度。此外有監(jiān)督混合Student’s t模型也會(huì)遇到過擬合問題。

因此，為了解決上述分析中基于有監(jiān)督混合Student’s t模型軟測(cè)量模型的不足，本發(fā)明方法在有監(jiān)督混合Student’s t模型的基礎(chǔ)上，拓展了半監(jiān)督的模型結(jié)構(gòu)來充分利用大量存在的無標(biāo)簽數(shù)據(jù)，同時(shí)將質(zhì)量變量和輔助變量之間的回歸系數(shù)貝葉斯化來提高模型的抗過擬合能力，以達(dá)到更好的預(yù)測(cè)效果。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于半監(jiān)督貝葉斯正則化混合Student’s t模型的魯棒軟測(cè)量方法，解決工業(yè)過程中有標(biāo)簽數(shù)據(jù)稀少帶來的模型預(yù)測(cè)精度低以及過擬合問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于半監(jiān)督貝葉斯正則化混合Student’s t模型的魯棒軟測(cè)量方法，包括以下步驟：

S1、收集歷史工業(yè)過程中的有標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)組成訓(xùn)練樣本；x∈R^d和y∈R分別表示d維輸入變量和一維輸出變量，和分別表示有標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集，其中N₁和N₂分別表示有標(biāo)簽樣本和無標(biāo)簽樣本的個(gè)數(shù)；

S2、將步驟S1收集到的數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為0，方差為1的標(biāo)準(zhǔn)化數(shù)據(jù)集，記為表示有標(biāo)簽數(shù)據(jù)標(biāo)準(zhǔn)化后的輸入變量，表示有標(biāo)簽數(shù)據(jù)標(biāo)準(zhǔn)化后的輸出變量，表示無標(biāo)簽數(shù)據(jù)標(biāo)準(zhǔn)化后的輸入變量；

S3、初始化模型參數(shù)α_k表示第k個(gè)組分的混合系數(shù)，μ_k，Λ_k，υ_k分別表示第k個(gè)組分中輸入變量對(duì)應(yīng)的均值向量、精度矩陣和自由度參數(shù)，β_k，分別表示第k個(gè)組分中輸出變量與輸入變量之間的回歸系數(shù)和方差，λ_k表示回歸系數(shù)先驗(yàn)分布的精度；回歸系數(shù)及其先驗(yàn)分布精度貝葉斯化，

a₀，b₀是λ的先驗(yàn)分布的超參數(shù)；