軟測量模型泛化能力研究及其應用.pdf

1、軟測量技術是當前過程控制領域的研究熱點之一，然而隨著工業(yè)過程的日益復雜化和人們對控制質(zhì)量要求的日益提高，傳統(tǒng)的軟測量技術越來越難以得到令人滿意的性能，數(shù)據(jù)驅(qū)動的軟測量建模方法逐漸成為軟測量技術的主流?；跇颖緮?shù)據(jù)構建的軟測量模型，其目的在于抽取隱含在樣本數(shù)據(jù)中的知識或規(guī)律，也就是說希望獲得泛化能力較佳的軟測量模型。本文著重研究具有較佳泛化能力的算法并應用于軟測量模型的構建，主要工作及創(chuàng)新包括如下內(nèi)容： ●給出了數(shù)據(jù)驅(qū)動軟測量建模

2、的一般描述，分析了影響軟測量模型泛化能力的主要因素，從模型復雜度控制與主動學習兩個方面對提高軟測量模型泛化能力的方法進行研究。 ●針對普通前向選擇算法的局限，提出一種訓練徑向基函數(shù)神經(jīng)網(wǎng)絡的層次分辨度快速選擇算法。算法基于快速生長的回歸樹算法來構建特征集合，特征集合具有層次多分辨度的特點。通過對葉子節(jié)點的最小樣本數(shù)pmin及尺度參數(shù)α的優(yōu)化選擇可以構建更具代表性的RBF NN中心向量候選集合。為了確定最佳的結構參數(shù)對{Pmin，

3、α}，設計了一種結構參數(shù)的自適應優(yōu)選策略。為保證模型的泛化能力，引入基于統(tǒng)計學習理論的VM測度并通過實驗分析比較說明VM測度作為模型選擇準則的的有效性。 ●多模型方法在解決復雜工業(yè)過程軟測量建模表現(xiàn)出諸多優(yōu)點，受懶惰學習算法思想的啟發(fā)，綜合預測平方和準則、分類回歸樹算法及懶惰學習提出一種基于預測平方和準則的RBF NN局部學習多模型方法。為了更合理地定位查詢點的近鄰樣本，提出了一種新的相似性測度。算法由于基于分而治之的基本思想并

4、綜合考慮了模型選擇與近鄰樣本的參數(shù)估計，可以保證構建的模型具有優(yōu)異的泛化能力，而預測平方和準則的數(shù)值特性保證了算法的實時性要求。 ●粒子群算法是一種實現(xiàn)簡單、運算高效的群體智能算法，在求解大尺度、高維數(shù)優(yōu)化問題中具有一定的優(yōu)越性，本文提出了一種改進的粒子群優(yōu)化算法一層次聚類粒子群優(yōu)化算法（PSOHC）。提出了兩種新穎的應用PSO算法優(yōu)化RBF NN的學習方法：第一種首先采用對手受罰的競爭學習確定合適的隱含層單元數(shù)，然后對其他參數(shù)

5、進行粒子編碼后采用PSOHC算法進行求解；第二種通過矩陣編碼實現(xiàn)了RBF NN的全結構優(yōu)化學習。 ●在許多實際應用環(huán)境，樣本標記是一項耗時耗力的工作，而主動學習通過主動參與樣本選擇，從而可實現(xiàn)在同樣泛化能力下學習算法所需樣本數(shù)少得多的學習效果?；谶@一現(xiàn)實，提出一種基于半監(jiān)督學習的RBF NN主動學習算法，算法綜合了半監(jiān)督學習模式及委員會查詢主動學習算法。 ●結合本文的研究成果，將其分別應用于磁流變阻尼系數(shù)軟測量模型及中