[发明专利]一种矿浆铜品位在线预测软测量建模方法

说明书

本发明涉及一种矿浆铜品位在线预测软测量建模方法，采集铜矿浮选过程中能够直接测量的过程变量数据采集人工标定的实验室标定铜品位样品数据其中N为样本量，P为过程变量，R为实数集；对所述过程变量和实验室标定样品数据进行数据预处理，处理后的数据集，包括输入变量X∈R^N×P和输出变量Y∈R^N×1；并将处理后的数据集划分为训练集、测试集；获得软测量模型计算测试集的预测值公式，最后进行验证，本方法可以同时考虑变量选择和网络模型结构动态调整的问题，可以降低模型的复杂度，提高模型的在线预测能力。

技术领域

本发明涉及人工智能以及工业领域，尤其涉及一种用于矿浆铜品位的，采用非负绞杀和极限学习机的在线预测软测量建模方法。

背景技术

随着科学技术的发展，软测量技术广泛应用于工业生产过程。软测量技术主要通过采集与目标变量相关性较强的辅助变量作为输入变量，将目标变量作为输出变量，结合数学模型实现对目标变量的估计。当前，软测量技术主要有最小二乘法、支持向量机和人工神经网络等。但是，复杂的工业过程会导致过程变量之间存在高度的非线性、冗余性以及强耦合性，因此辅助变量的选择对于软测量建模来说至关重要。

非负绞杀算法(Nonnegative garrote,NNG)是一种嵌入式变量选择算法，最初是用来解决线性归回子集的选择问题，而对于非线性问题，有人提出将NNG与MLP神经网络相结合的软测量算法，但是MLP神经网络只适用于离线预测，而对于动态数据的建模问题会导致变量选择的准确性降低。极限学习机是(Extreme Learning Machine,ELM)一种单隐藏层前馈神经网络，具有理论解析解和收敛速度快的优势，适用于具有海量、多样、高速等特征的大数据环境，已经成功应用于离线预测。在线极限学习机(Online sequential extremelearning machine, OS-ELM)是在ELM的基础上增加了在线更新阶段，能够自动调整网络结构，具有较好的泛化性能和较快的学习速度。

在线预测一直是智能信息处理的前沿领域。在实际的工业应用中，由于实时采样的业务需求和计算机缓存的限制,数据呈现出逐个到达或片段式到达的特点,形成实时数据流，因此复杂多变的流式数据要求模型能根据当前数据片段的预测结果自动调整结构。

在当前已有的文献与专利资料中，许多科研人员已经研究出有效的极限学习机在线预测网络模型，也有很多研究关于非线性变量选择的问题，但大多数研究都没有同时考虑输入变量选择和OS-ELM网络结构冗余的问题。鉴于此，本发明提供一种变量选择和极限学习相结合的在线预测的软测量建模方法，这种方法可以同时考虑变量选择和网络模型结构动态调整的问题，可以降低模型的复杂度，提高模型的在线预测能力。

发明内容

针对上述问题，本发明提供一种矿浆铜品位在线预测软测量建模方法。

本发明提供如下技术方案：一种矿浆铜品位在线预测软测量建模方法，包括如下步骤，

步骤1、采集铜矿浮选过程中能够直接测量的过程变量数据采集人工标定的实验室标定铜品位样品数据其中N为样本量，P为过程变量，R为实数集；

步骤2、对所述过程变量和实验室标定样品数据进行数据预处理，处理后的数据集，包括输入变量X∈R^N×P和输出变量Y∈R^N×1；并将处理后的数据集划分为训练集、测试集和验证集；

步骤3、对ELM网络的超参数调优，得到初始ELM训练模型；

步骤4、随机初始化输入层、隐含层的参数α_i、b_i，构建初始化ELM网络，如式(1)：