基于Bootstrap和相關(guān)向量機的區(qū)間預測方法及應(yīng)用研究.pdf

1、在實際工業(yè)過程中，一些關(guān)鍵的過程變量和生產(chǎn)過程的安全保障乃至產(chǎn)品質(zhì)量都有著密切的聯(lián)系。因此，對于過程變量的準確預測對于過程控制、生產(chǎn)決策等應(yīng)用有重要意義。一般來說，預測結(jié)果通常由點估計結(jié)果給出。然而，對于高維、高非線性和含噪聲的工業(yè)過程，點估計越來越難以滿足精度要求，同時，在無法獲得真實值的情況下，也無法對預測結(jié)果的不確定度進行估計。由此，本文著重研究區(qū)間預測方法及其過程工業(yè)應(yīng)用，主要研究內(nèi)容如下:
　　(1)為了對預測結(jié)果的不確

2、定性和變化趨勢進行估計，本文提出了一種基于Bootstrap和相關(guān)向量機(Bootstrapped RVM)的區(qū)間預測方法。在該方法中，Bootstrap用于重抽樣和獲取預測區(qū)間，RVM作為回歸算法。兩者結(jié)合后，可以構(gòu)建可靠的預測區(qū)間并快速得出預測結(jié)果，在數(shù)據(jù)量不大的情況下，它的訓練速度也足夠快。
　　(2)由于Bootstrap法需要多次抽樣并對每組重抽樣數(shù)據(jù)訓練RVM模型，從而導致訓練和測試時間線性增加。對此，本課題引入了并行

3、計算方法，并改進了現(xiàn)有訓練和測試算法(Parallel Bootstrapped RVM)，將多組樣本的訓練和測試過程由計算機的多核心處理器并行執(zhí)行，從而在一定程度上降低了Bootstrap法多次訓練和測試問題帶來的影響，并提高了大數(shù)據(jù)量下的訓練和測試速度和計算機計算資源的利用率。
　　(3)結(jié)合雙稀疏相關(guān)向量機與Bootstrap方法，本文提出了另一種區(qū)間預測方法:Parallel Bootstrapped DSRVM。該方法可

4、以應(yīng)對包含更復雜特征的數(shù)據(jù)，并且對噪聲方差的逼近更接近于真實值。
　　(4)考慮到累積偏差指標的相對值計算方法對于數(shù)據(jù)在零值附近的誤差放大問題，提出了新的區(qū)間平均誤差指標;此外，由于實際應(yīng)用中的數(shù)據(jù)存在時效性，本文提出了時間窗口評價指標的改進和表示方法。
　　(5)本文使用加入不同噪聲的標準函數(shù)數(shù)據(jù)，以及實際工業(yè)過程的高密度聚乙烯數(shù)據(jù)分別對所提出的方法進行了驗證，仿真實驗使用了基于Bootstrap的RVM、DSRVM、SV