[发明专利]基于样本协同表示的即时学习的软测量建模方法

权利要求书

1.一种基于样本协同表示的即时学习的软测量建模方法，其特征在于，其具体步骤为：

S1、实时采集与存储工业过程中与质量相关的辅助变量的数据X＝[x₁,x₂,…x_n]^T，n为样本数量，m为样本的维度；通过实验室化验分析获得的数据，得到各个样本对应的真实质量变量值

S2、将已采集到的数据作为初始训练数据集对初始训练数据集按照公式(1)进行标准化处理，使其均值为0、方差为1，得到训练数据集X_L为数据X标准化处理后得到的数据，为经过标准化处理后得到的变量值，公式(1)表示为：

式中，函数mean(·)表示计算矩阵各行的均值，函数std(·)表示计算矩阵各行的标准差；

S3、利用训练数据集建立离线岭回归模型，并且通过模型的回归系数计算得到各输入变量的权重矩阵

S4、对于新采集的查询数据按照公式(1)进行标准化处理；

S5、根据权重矩阵W_var计算查询数据x_q与数据X_L中所有样本的加权欧式距离；将加权欧式距离融合到协同表示的正则项中；计算数据X_L与查询数据x_q的协同表示系数，利用该协同表示系数得出训练数据集中各历史样本的权重矩阵

S6、根据训练数据集以及各样本的权重矩阵W_sample，建立加权岭回归模型，利用加权岭回归模型计算查询数据x_q的输出值

S7、当查询数据x_q所对应的真实输出值y_q可以由实验室化验分析得到时，将样本[x_q,y_q]加入到训练数据集中，以扩充训练数据集中所包含的工作区间；否则，维持训练数据集中所包含空间不变。

2.如权利要求1所述的基于样本协同表示的即时学习的软测量建模方法，其特征在于，步骤S3中，利用训练数据集建立离线岭回归模型，并且通过模型的回归系数计算得到各输入变量的权重的具体步骤为：

利用训练数据集建立离线岭回归模型，优化目标为：

式中，为离线岭回归模型的岭回归系数，λ₀为离线岭回归模型的正则项系数；

求解优化目标，得出离线岭回归模型的岭回归系数W₀的解析表达式为：

W₀＝(X_LX_L^T+λ₀×I)^-1X_LY_L (3)

式中，X_L^T为数据X_L的转置，I为单位矩阵；

根据离线岭回归模型的岭回归系数W₀通过公式(4)计算出各输入变量的权重矩阵，公式(4)表示为：

式中，W₀(1)为岭回归系数W₀的第一个元素，W₀(m)为岭回归系数W₀的第m个元素。