[发明专利]一种基于工业大数据挖掘的状态预测方法

权利要求书

1.一种基于工业大数据挖掘的状态预测方法，其特征在于，包括以下步骤：

步骤一，数据采集：将反映系统历史运行状态的样本作为训练集其中x_i是系统状态变量，即模型的输入，t_i是关注的预测指标，即模型的输出；

步骤二，OS-ELM模型：采用步骤一的训练样本建立若干个OS-ELM模型，并计算得到若干个预测值；

步骤三，EOS-ELM模型：对OS-ELM模型的的预测结果取平均值，得到EOS-ELM模型预测结果。

2.如权利要求1所述的一种基于工业大数据挖掘的状态预测方法，其特征在于，所述OS-ELM模型建立过程包括：

初始化之前，先确定网络初始参数：网络有L个隐含节点，首先确定隐含节点类型，隐含节点类型包括为RBF或additive隐含节点；

初始化阶段，从训练样本中选取部分样本N₀≥L进行初始化，包括以下步骤：

步骤1：随机对输入参数赋值

其中，对RBF隐含节点，参数为中心点a_i和影响因子b_i；对additive隐含节点，参数为输入权重a_i和偏差b_i；

步骤2：计算初始的隐含层输出矩阵H₀

$H_0={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& \mathrm{...}& G(a_L,b_L,x_1)\\ .& & .\\ .& \mathrm{...}& .\\ .& & .\\ G(a_1,b_1,x_{N_0})& \mathrm{...}& G(a_L,b_L,x_{N_0})\end{array}\right]}_{N_0\×L}$

其中，利用RBF隐含节点时，G(a_i,b_i,x_j)＝g(b_i||x_j-a_i||)，b_i∈R⁺，当利用additive隐含节点时，G(a_i,b_i,x_j)＝g(a_i·x_j+b_i)，b_i∈R；

步骤3：估计初始的输出权重β⁽⁰⁾

令权重求解问题转化为最小化||H₀β-t₀||；

由ELM算法的求解可知，可知最小化||H₀β-t₀||的求解结果为其中

步骤4：令k＝0，k表示加入网络的数据块的数量；

连续学习阶段，包括以下步骤：

k+1数据块的观测值为：

其中，N_k+1是k+1数据块的观测值的数量；

步骤5：计算局部的隐含层输出矩阵H_k+1

$H_{k+1}={\left[\begin{array}{ccc}G(a_1,b_1,x_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1})& \mathrm{...}& G(a_L,b_L,x_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1})\\ .& & .\\ .& \mathrm{...}& .\\ .& & .\\ G(a_1,b_1,x_{i=\left({\Σ}_{j=0}^{k+1}{N}_j\right)+1})& \mathrm{...}& G(a_L,b_L,x_{i=\left({\Σ}_{j=0}^{k+1}{N}_j\right)+1})\end{array}\right]}_{N_{k+1}\×L}$

步骤6：设置参数

$T_{k+1}={\[t_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1},\mathrm{...},t_{{\Σ}_{j=0}^{k+1}{N}_j}\]}_{N_{k+1}\×m}^T$

步骤7：计算输出权重β^(k+1)

$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)})$

步骤8：令k＝k+1，返回步骤5；

当所有训练数据都参与训练时，循环结束，计算预测输出，即OS-ELM预测值；

步骤1-8重复J次，J为OS-ELM模型数量。