[发明专利]基于鲁棒区间极限学习机的区间型指标预报方法

权利要求书

1.基于鲁棒区间极限学习机的区间型指标预报方法，其特征在于，所述方法是依次按如下步骤实现的：

步骤(1)：数据采集与预处理

利用数据采集系统从实际生产过程进行数据采集，并将上述数据处理成如下训练数据：

x_i＝(x_i，1，...，x_i，n)

其中，x_i和t_i分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数，训练样本中含由系统采集、测量错误引入的异常数据；

步骤(2)：构造区间极限学习机模型

将区间极限学习机模型表示成如下形式：

f₁(x_i)-f₂(x_i)＝ò+ξ_i i＝1，...，N

其中，

f₁(x)＝h₁(x)β₁

f₂(x)＝h₂(x)β₂

分别为区间极限学习机的上界模型和下界模型，h₁(x)和h₂(x)分别为上界模型和下界模型的隐层节点函数，β₁和β₂分别为上界模型和下界模型的输出层权重，η_i是第i个样本与模型中心的误差，ò是模型输出区间的期望值，ξ_i是第i个样本与模型输出区间的误差，C₁和C₂分别为模型中心误差和模型区间误差的惩罚系数；

步骤(3)：区间极限学习机模型的初始化

选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；

隐层节点的激励函数h₁(x)和h₂(x)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/Hard Limit函数，并随机确定上述函数的参数；

步骤(4)：区间极限学习机模型的学习

步骤(4.1)：区间极限学习机模型的拉格朗日函数为

其中，α_i和λ_i是拉格朗日因子；

令

β＝[β₁；β₂]

h₊(x_i)＝[h₁(x_i)，h₂(x_i)]

h_-(x_i)＝[h₁(x_i)，-h₂(x_i)]

上式可写成

上述拉格 朗日函数对各参数求导数，有

求解后，得到

令

对函数f₁(x)和f₂(x)的预测需要分两种情景，为了简单起见，这里仅列出结果；

情景1)基于随机隐层节点：

或

从而得到区间极限学习机的预测模型为：

或

情景2)基于核函数：

其中

步骤(5)：确定训练数据子集

步骤(5.1)：估计残差的尺度参数，用于判定训练数据

步骤(5.2)：使用下式对训练数据集中的每一个数据进行计算

其中，1表示放入训练数据子集中，0表示不放入训练数据子集中，δ为人工确定的参数；

步骤(6)：重复步骤(5)和步骤(6)，直到满足停止条件；

步骤(7)：在上述模型参数学习完成的基础上，使用如下方式进行区间型运行指标预测，假设输入变量为x，

其中，t₁和t₂分别为区间型运行指标预测值的下界和上界；

步骤(8)：针对精炼炉钢水温度预报实际问题的特点，将实际精炼炉钢水温度在每两次温度测量之间的前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度作为模型输入训练数据，将后一次测量温度值作为模型输出训练数据，并对上述基于鲁棒区间极限学习机的区间型指标预报模型进行训练，所得模型即可用于钢水温度的预报；所述方法是在计算机上依次按以下步骤实现：

步骤(8.1)：采集每炉钢水每两次温度测量之间的数据，在每组数据中，将前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度作为模型输入训练数据，将后一次钢水测量温度作为模型输出数据，训练样本中含由系统采集、测量错误引入的异常数据；

步骤(8.2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，区间目标值，模型中心误差和模型区间误差的惩罚系数；

步骤(8.3)：采用上述基于鲁棒区间极限学习机的区间型指标预报方法，即步骤(2)到步骤(7)，用步骤(8.1)采集的数据进行训练，从而得到精炼炉钢水温度的区间预报模型；

步骤(9)：针对微电子化学机械研磨工序晶圆片研磨厚度预报实际问题的特点，将实际微电子化学机械研磨工序对每个晶圆片的研磨时间以及研磨设备检验标准值为模型输入训练数据，将晶圆片研磨厚度作为模型输出训练数据，并对上述基于鲁棒区间极限学习机的区间型指标预报模型进行训练，所获得的模型即可用于研磨厚度的区间预报；所述方法是在计算机上依次按以下步骤实现：

步骤(9.1)：采集每个晶圆片的研磨时间、研磨厚度、所属产品品种，以及研磨设备检验标准值信息，并按所属产品品种信息将数据进行分组，在每组数据中，将研磨时间、研磨设备检验标准值作为模型输入数据，将研磨厚度作为模型输出数据，训练样本中含由系统采集、测量错误引入的异常数据；

步骤(9.2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，区间目标值，模型中心误差和模型区间误差的惩罚系数；

步骤(9.3)：采用上述基于鲁棒区间极限学习机的区间型指标预报方法，即步骤(2)到步骤(7)，用步骤(9.1)采集的数据进行训练，从而得到微电子化学机械研磨厚度的区间预报模型。