[发明专利]面向高维非线性软测量模型的辅助变量约简方法

权利要求书

1.一种面向高维非线性软测量模型的辅助变量约简方法，其特征在于按如下步骤进行：

步骤一：确定与主导变量可能相关的n个原始辅助变量，采集n个原始轴助变量和主导变量的取值，组成样本集，样本集大小为m；

将n个原始辅助变量数据写成矩阵X＝[x₁，…，x_i，…x_m]^T形式，主导变量数据写成矩阵Y＝[y₁，…，y_i，…y_m]^T，其中，x_i∈R^n×1，y_i∈R，i＝1，2，…，m，并将X，Y进行标准化处理；

步骤二：融合核独立成分分析KICA(Kernel Independent Components Analysis)与虚假最近邻点FNN(False Nearest Neighbors)方法，分别计算n个原始辅助变量的权重值；

步骤三：按照权重值，将n个原始辅助变量组成原始辅助变量序列；

步骤四：确定最佳辅助变量集，包括以下步骤：

第一步，设定循环次数N＝n；

第二步，随机从样本集中选择p个样本作为训练样本，剩下的m-p个样本作为检验样本；

第三步，根据所述训练样本，利用BP神经网络建立当前的辅助变量序列中所包含变量的非线性模型；

第四步，将所述检验样本的当前辅助变量值输入至所述非线性模型，得到m-p个检验样本对应的主导变量预测值；

第五步，计算m-p个检验样本预测值的均方误差MSE；

第六步，删除当前的辅助变量序列中权重值最小的原始辅助变量，组成新的原始辅助变量序列，并设定N＝N-1，判断此时N是否为0：

如果N≠0，则回到第三步；

如果N＝0，则最小的检验样本预测值的均方误差MSE对应当前的辅助变量序列即为最佳辅助变量集；

步骤五：最佳辅助变量集在步骤四中对应的非线性模型即为软测量的约简模型。

2.根据权利要求1所述的面向高维非线性软测量模型的辅助变量约简方法，其特征在于步骤二中的虚假最近邻点方法，步骤如下：

步骤一：将由所有原始辅助变量组成的n维数据看成是A＝(x₁，x₂，…，x_i-1，x_i，x_i+1，…，x_n)；

步骤二：将剔除的辅助变量x_i设为零，重新得到A的投影向量B＝(x₁，x₂，…x_i-1，0，x_i+1，…，x_n)；

步骤三：计算高维相空间中相点A与其投影向量B之间的相似性测度cos_AB，其中，

cosAB=A·BT||A||·||B||---(1)]]>

步骤四：依次考察原始辅助变量x₁，x₂，…，x_n，通过比较相应变化情况，确定输入变量对原始数据结构的影响大小，按变化由大到小的顺序进行变量选择；

相似性测度cos_AB越大，说明剔除该变量对原始数据结构影响越小，可被剔除，相似性测度cos_AB越小，说明剔除该变量对原始数据结构影响越大，为了保持原有数据结构，该变量应被保留。