[发明专利]一种多模型动态软测量建模方法

权利要求书

1.一种多模型动态软测量建模方法，其特征在于，包括以下步骤：

S1、数据预处理：选择训练样本数据集X_m*n，m为样本维数，n为样本个数，剔除异常数据并对数据进行归一化处理；

S2、自适应模糊核聚类分析：采用自适应模糊核聚类方法对训练样本数据集X_m*n进行聚类，得到每个样本的模糊类隶属度和各聚类中心，并自动确定出最佳聚类数目c；

S3、建立子模型：采用最小二乘支持向量机对c个聚类的训练样本集进行训练学习，选择高斯核函数作为最小二乘支持向量机的核函数，通过交叉验证法建立并确定c个子模型的参数：惩罚因子C和核参数σ，并得到各个子模型的输出

S4、基于证据理论合成规则的子模型输出融合：计算各子模型的证据概率分配函数值，将其作为子模型的权值因子，然后对各子模型的输出进行证据融合，得到静态多模型输出

S5、模型输出的动态化：使用自回归滑动平均模型对当前时刻t的多模型输出，即对进行动态调整，首先判断是否是平稳序列，若不是，将转换为平稳序列；否则直接将和真实测量值y相减，得到一个关于输出值误差Δy的时间序列，然后利用自回归滑动平均模型(p,q)对该时间序列进行建模，得到关于预测误差的自回归滑动平均模型，最后，将以上两模型相结合进行模型预测，则最终的动态多模型输出为

2.根据权利要求1所述的多模型动态软测量建模方法，其特征在于，步骤S2中，所述自适应模糊核聚类方法的步骤包括：

S21：聚类目标函数：对训练样本集X={x_i|i=1,2...n}，自适应模糊核聚类方法的目标函数定义为

JΦ(U,c)=Σi-1nΣj-1cμijm||[1-K(xi,vj)]||2s.t.U∈Mfc]]>

式中，μ_ij∈[0,1];j=1,2...c，m为模糊控制指数，μ_ij为第i个样本对应于第j个聚类的隶属度值，v_j为第j个聚类中心，K（x_i，v_j）为高斯核函数；

S22：隶属度更新：

μij=(1-K(xi,vj))-1/(m-1)/Σj-1c(1-K(xi,vj))-1/(m-1);]]>

S23：聚类中心更新：

vi=Σi-1nμijmK(xi,vj)xi/Σi-1nμijmK(xi,vj)xi;]]>

S23：聚类结果评价：聚类结束后，对有效性指标对聚类的结果进行评价

VGX(c)=Σi-1cΣk-1nμikm(1-K(vk,xi))+1cΣi-1c(1-K(vi,v‾))(1-K(vk,vi))i≠kmin.]]>