基于協(xié)同訓(xùn)練算法的半監(jiān)督軟測量建模研究.pdf

1、在現(xiàn)代工業(yè)過程中，為了保證生產(chǎn)過程平穩(wěn)，及時(shí)跟蹤產(chǎn)品質(zhì)量，過程關(guān)鍵產(chǎn)品參數(shù)的檢測具有至關(guān)重要的意義。雖然科技的進(jìn)步使得很多不可測變量的檢測變得可能，然而實(shí)際的工業(yè)過程包含有大量的物化反應(yīng)，并伴有物質(zhì)轉(zhuǎn)換與能量傳遞，這給關(guān)鍵過程變量的獲取造成了極大的困難，仍然存在著或多或少的關(guān)鍵過程變量無法實(shí)現(xiàn)在線檢測，因此，工業(yè)中常通過采集過程中比較容易測量的變量，根據(jù)某種準(zhǔn)則，構(gòu)造出一種以某些容易測量變量作為輸入的軟測量模型，并利用該模型對這些難以檢

2、測的關(guān)鍵過程變量進(jìn)行預(yù)測，實(shí)現(xiàn)對于主導(dǎo)變量信息的在線估計(jì)。
　　然而，軟測量建模需要完整的輸入和輸出數(shù)據(jù)，一般情況下，主導(dǎo)變量樣本通常需要通過實(shí)驗(yàn)或者離線分析的方法得到，費(fèi)用昂貴、耗時(shí)及成本較高。因此，實(shí)際過程中得到的主導(dǎo)變量樣本會(huì)比較有限。相比之下，過程很容易獲得大量輔助變量的樣本。傳統(tǒng)的軟測量建模方法僅利用含有主導(dǎo)變量信息的樣本進(jìn)行建模，舍棄了大量的無標(biāo)簽樣本（即只含輔助變量的樣本）數(shù)據(jù)。但是，這些無標(biāo)簽樣本同樣含有重要的信息

3、，如果能適當(dāng)?shù)赝诰虺鱿嚓P(guān)的信息，將無疑能改進(jìn)軟測量模型的預(yù)測性能。
　　本文針對工業(yè)過程中的樣本失衡、小樣本以及非線性問題，提出了基于協(xié)同訓(xùn)練算法的過程軟測量方法，主要的研究成果以及研究內(nèi)容闡述如下:
　　(1)針對建模數(shù)據(jù)較少而變量個(gè)數(shù)較多的小樣本問題，提出了一種基于協(xié)同訓(xùn)練偏最小二乘(Co-training PLS)的軟測量建模方法。此方法通過拆分輸入變量，在訓(xùn)練集上建立兩個(gè)模型并相互學(xué)習(xí)提高，最終在更新完畢的兩個(gè)全維樣

4、本集上建模預(yù)測。仿真驗(yàn)證了該方法能夠有效處理小樣本問題并提升模型的預(yù)測精度。
　　(2)針對非線性小樣本問題，提出了基于協(xié)同訓(xùn)練局部加權(quán)偏最小二乘模型(Co-training LWPLS)的軟測量建模方法。該方法通過選取不同相似度的方法在同一組數(shù)據(jù)上建立兩個(gè)相異模型，并通過協(xié)同訓(xùn)練的思想迭代訓(xùn)練相互提高。仿真證明了該方法在處理非線性小樣本問題上具有有效性。
　　在文章的末尾，對本文的研究成果進(jìn)行了系統(tǒng)總結(jié)并對于未來的研究工作