半監(jiān)督極限學習機在化工過程軟測量建模中的應用研究.pdf

1、化工過程軟測量建模對于保障化工生產(chǎn)裝置的連續(xù)平穩(wěn)操作及提高其產(chǎn)品質量具有重要的作用。然而，半監(jiān)督學習方法還很少應用于化工過程的軟測量建模，導致大量無標簽樣本的信息無法有效利用。本文提出兩種半監(jiān)督軟測量建模方法，主要研究內(nèi)容和創(chuàng)新點如下：
　　(1)針對目前大部分化工過程軟測量模型沒有利用無標簽樣本的缺點，提出將半監(jiān)督極限學習機(Semi-supervised Extreme Learning Machine, SELM)應用到化工

2、過程軟測量建模中。SELM將無標簽樣本所攜帶的信息融合入軟測量建?？蚣?，有效提高了模型的預測精度及其可靠性。以重油催化裂化汽油收率軟測量為例，與反向傳播神經(jīng)網(wǎng)絡和極限學習機相比，驗證了該方法的有效性。
　　(2)SELM中懲罰參數(shù)λ不能隨有標簽樣本個數(shù)的變化自動變化，采用傳統(tǒng)留一交叉驗證方法的計算復雜度較大。提出了快速留一交叉驗證半監(jiān)督極限學習機(Fast-Leave-One-Out-Cross-Validation SELM,F

3、SELM)方法，F(xiàn)SELM可以自動選取合理的懲罰參數(shù)λ，而且避免了傳統(tǒng)留一交差驗證復雜度較大的問題。以田納西-伊斯曼過程19種成分變量軟測量為例，與主元回歸和極限學習機相比較，表明FSELM在化工過程軟測量建模預測中，預測效果更好。
　　(3) FSELM中隱層節(jié)點個數(shù)需要靠經(jīng)驗選取，若選取不當，可能會導致模型過擬合。并且每次節(jié)點個數(shù)改變，都需要重新建模，計算效率較低。提出了節(jié)點遞推更新快速留一交叉驗證半督極限學習機(Recurs