基于机器学习的软测量建模及其应用

《基于机器学习的软测量建模及其应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号密级硕士学位论文题目：基于机器学习的软测量建模及其应用英文并列题目：Soft-sensorModelingBasedonMachineLearningandItsApplication研究生：孙茂伟专业：控制科学与工程研究方向：控制理论与控制工程导师：杨慧中教授指导小组成员：学位授予日期：2016.6答辩委员会主席：丁锋江南大学地址：无锡市蠡湖大道1800号二○一六年六月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，陈了文中特别加Ｗ标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含本人

2、为获得江南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。２。签名：菊戊命日期／＾年＾：月Ｉ日关于论文使用授巧的说明本学位论文作者完全了解江南大学有关保留、使用学位论文的规定：江南大学有权保留并向国家有关部口或机构送交论文的复印件和磁盘，允许论文被査阀和借阅，可将学位论文的全部或部分内容编入有关数据库进行检索，可Ｗ采用影印、缩印或污描等复制手段保存、汇编学位论文一，并且本人电子文档的内容和纸质论文的内容相致。保密的学位论文在解密后也遵守此规定。签名：孙飾导

3、师签名：Ｉ日期：方名年／月ｆ日摘要摘要数据驱动建模是软测量建模技术中的重要方法。由于工业技术的发展，建模对象的非线性和多工况等复杂特性对数据驱动软测量模型的泛化性能提出了更高要求。针对复杂工业过程对象建立具有良好泛化性能和估计精度的软测量模型是软测量技术发展中需要解决的难点问题，机器学习理论在数据驱动软测量建模中的应用为解决这一问题提供了有效途径。为了提高复杂工业过程软测量模型的泛化性能，本文主要研究基于机器学习的软测量建模方法，从基于聚类分析和集成学习的多模型建模以及局部建模等方面提高软测量模型的泛化性能。主要的研究成果如下：1、单模型通常难以描述工况的复杂特性，基于

4、聚类的多模型软测量建模是解决这一问题的常用方法，能有效提高模型泛化能力。由于聚类效果对多模型的估计能力有着重要影响，因此提出一种基于改进仿射传播聚类的多模型建模方法。采用人工鱼群算法对仿射传播聚类算法的偏向参数与阻尼系数进行寻优从而提高聚类精度，聚类之后再通过高斯过程回归算法建立各类样本的子模型。分别用标准数据集仿真和来自实际工业生产装置的现场数据建模仿真，结果表明该方法是有效的。2、聚类多模型软测量建模中，如果数据聚类后类别之间界限不明显，常会出现样本类别误划分和类边界处样本估计不准确的问题，对此提出一种基于支持向量数据描述的聚类多模型软测量建模方法。该方法首先采用仿射传播聚

5、类算法对数据进行类别划分，然后利用支持向量数据描述算法划定类边界从而确定样本与各类别的位置关系，根据样本与各类的位置关系信息从高斯过程回归算法建立的子模型、全局模型和局部模型中选择合适的模型对样本进行估计。由来自实际工业生产现场的数据进行仿真表明该方法提高了多模型的软测量精度。3、为提高对工况复杂的工业过程进行软测量建模的模型泛化能力，提出了基于改进Bagging算法的高斯过程集成软测量建模方法。该算法采用高斯过程回归算法建立集成学习模型的基学习器，并在Bagging算法对训练样本重采样生成基学习器训练子集的基础上，采用基于正则化互信息的特征排序指标进行基学习器的输入特征抽取，

6、实现有监督的特征扰动，从而改善学习器的差异度。对待测样本进行软测量估计时，根据各高斯过程基学习器输出的方差自适应地选择基学习器进行集成输出。以来自实际工业现场反应器的数据进行建模仿真表明了该方法的有效性。4、对于具有较强非线性特点且工况多变的过程对象，建立在线局部模型能够提高软测量模型的泛化性能，因此提出一种用于在线软测量建模的局部加权混合核偏最小二乘算法并做了仿真验证。该算法以多个具有不同特性的单一核函数构成混合核函数，将原始输入映射到高维特征空间，再采用局部加权学习算法在高维特征空间中计算样本权值，并对核变换后的样本数据进行加权处理，然后采用核偏最小二乘的算法步骤建立在线局

7、部软测量模型。关键词：软测量；机器学习；多模型；Bagging算法；核偏最小二乘IAbstractAbstractData-drivenmodelingisanimportantmethodofsoft-sensormodelingtechnology.Becauseofthedevelopmentofindustrialtechnology,thenonlinearity,multipleworkingconditionsandothercomplexfeaturesofmodelingo