[发明专利]基于分布估计局部优化的最小二乘支持向量机软测量建模方法有效
申请号: | 201810123021.0 | 申请日: | 2018-02-07 |
公开(公告)号: | CN108388113B | 公开(公告)日: | 2019-11-15 |
发明(设计)人: | 葛志强;张鑫宇 | 申请(专利权)人: | 浙江大学 |
主分类号: | G05B13/04 | 分类号: | G05B13/04 |
代理公司: | 33200 杭州求是专利事务所有限公司 | 代理人: | 邱启旺<国际申请>=<国际公布>=<进入 |
地址: | 310058浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开一种基于分布估计局部优化的最小二乘支持向量机软测量建模方法,该方法利用测试集建立用于最小二乘支持向量机模型参数优化的局部目标集,使得优化的过程更贴合于测试集,有效地防止了传统使用全体训练集作为优化目标而产生的过拟合现象,对分布变化程度较高的数据具有很强的适应能力,并且使用分布估计算法进行参数优化能够有效提高收敛精度,采用本发明所构建的软测量模型可以较为精准地实现关键质量变量的预测和控制。 | ||
搜索关键词: | 最小二乘支持向量机 软测量建模 参数优化 局部优化 测试集 最小二乘支持向量机模型 软测量模型 传统使用 分布变化 估计算法 优化目标 质量变量 训练集 有效地 构建 拟合 贴合 收敛 预测 优化 | ||
【主权项】:
1.一种基于分布估计局部优化的最小二乘支持向量机软测量建模方法,其特征在于,该方法包括以下步骤:/n步骤一:收集历史工业过程数据建立训练集,训练集中共有n个样本,每个样本具有m个易于测量的过程变量,以及一个需要被估计的质量变量,该训练样本集表示为S_train={(xi,yi)|i=1,2…,n},其中xi∈R1×m,yi∈R1,并用S_train(x)表示样本中的过程变量,S_train(y)表示样本中的质量变量,其余样本集合表示方法相同;模型的测试集与训练集具有相同的形式,表示为S_test={(xi,yi)|i=1,2…,nt},nt为测试集中的样本个数;/n步骤二:将步骤一中的所得到的训练样本集和测试样本集中的xi进行标准化,即将过程变量的均值化为0,方差化为1,所得到标准化后的训练样本集和测试样本集为S_std_train和S_std_test;/n步骤三:针对标准化后测试样本集中的每个测试样本在训练集中找到与之欧式距离最近的样本构建用于最小二乘支持向量机模型参数局部优化的目标集S_obj,并在标准化后的训练样本集S_std_train中删除所选出的用于作为目标集的训练样本,得到用于局部优化的训练集 /n步骤四:以目标集S_obj中每个样本的预测值与实际值偏差绝对值的和作为用于最小二乘支持向量机模型参数局部优化的适应值函数f,同时以径向基核函数参数σ2及惩罚因子γ两个待优化参数的取值范围作为局部优化的约束条件;/n步骤五:初始化单变量边缘分布算法的种群大小、优化变量个数、最大迭代次数及截断选择率相关参数,并根据待优化参数的取值范围随机采样建立初始种群Pop_Init;/n步骤六:将初始种群中的每一个体,即为Pop_Init的每一行,带入步骤四中的适应值函数,即利用局部优化训练集对模型训练,并对局部优化目标集进行预测,并将真实值代入适应值函数中计算适应值;/n步骤七:将步骤五得到的初始种群,以及步骤六每个个体对应的适应值带入单变量边缘分布算法中进行迭代,直至满足最大迭代次数为止,返回一组优化后的最小二乘支持向量机模型参数(γbest,σ2best);/n步骤八:将步骤七所得到的优化后的模型参数带回最小二乘支持向量机模型中并利用全体训练集重新对模型进行训练,所得模型如下式所示/ny(x)=LSSVMS_std_train(x,γbest,σ2best)/n步骤九:将测试集带入步骤八训练的模型中,具体如下式所示,即可实现对质量变量的软测量/ny=LSSVMS_std_train(S_std_test,γbest,σ2best)。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810123021.0/,转载请声明来源钻瓜专利网。