[发明专利]最优支持向量机的工业熔融指数软测量仪表和方法

摘要

本发明公开了一种最优支持向量机的工业熔融指数软测量软测量仪表及方法。该软测量方法对多个加权最小二乘支持向量机的输出进行模糊化处理，并采用粒子群算法对整个模糊方程系统进行优化，以得到最优的软测量结果。在本发明中，用于测量易测变量的现场智能仪表、用于测量操作变量的控制站与DCS数据库连接，软测量值显示仪包括最优支持向量机的工业熔融指数软测量模型，DCS数据库与软测量模型的输入端连接，所述最优支持向量机的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接；本发明具有在线优化参数、模型自动更新、抗噪声能力强、推广性能好的特点。

主权项

1.一种最优支持向量机的工业熔融指数软测量软测量仪表，包括用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的DCS数据库以及熔融指数软测量值显示仪，所述现场智能仪表、控制站与DCS数据库连接，其特征在于：所述软测量仪表还包括最优支持向量机的工业熔融指数软测量模型，所述DCS数据库与所述最优支持向量机的工业熔融指数软测量模型的输入端连接，所述最优支持向量机的工业熔融指数软测量模型的输出端与熔融指数软测量值显示仪连接，所述最优支持向量机的工业熔融指数软测量模型包括：数据预处理模块，用于将从DCS数据库输入的模型训练样本进行预处理，对训练样本中心化，即减去样本的平均值，然后对其进行标准化：计算均值：TX‾=1NΣi=1NTXi---(1)]]>计算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>标准化：X=TX-TX‾σx---(3)]]>其中，TX_i为第i个训练样本，N为训练样本数，为训练样本的均值，X为标准化后的训练样本。σ_x表示训练样本的标准差，σ²_x表示训练样本的方差。模糊方程模块，对从数据预处理模块传过来的标准化后的训练样本X，进行模糊化。设模糊方程系统中有c^*个模糊群，模糊群k、j的中心分别为v_k、v_j，则标准化后的第i个训练样本X_i对于模糊群k的隶属度μ_ik为：μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：Φ_ik(X_i,μ_ik)=[1 func(μ_ik) X_i]   （5）其中func(μ_ik)为隶属度值μ_ik的变形函数，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。加权最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为O_i，加权重的支持向量机通过变换把拟合问题等价于如下二次规划问题：minR(w,ξ)=12wTw+12γΣi=1Nωiξi2---(6)]]>其中，R(w,ξ)是优化问题的目标函数，minR(w,ξ)是优化问题的目标函数的最小值，N是训练样本数，ξ={ξ₁,…,ξ_N}是松弛变量，ξ_i是松弛变量的第i个分量，w是支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i=1,...,N和γ分别是加权最小二乘支持向量机的权重和惩罚因子，是加权最小二乘支持向量机松弛变量的第i个分量ξ_i标准差的估计，c₁为常数，这里取2.5，c₂为常数，这里取3，上标T表示矩阵的转置，μ_ik表示标准化后的第i个训练样本X_i对于模糊群k的隶属度，Φ_ik(X_i,μ_ik)表示第i个输入变量X_i及其模糊群k的隶属度μ_ik所对应的新的输入矩阵。由（6）（7）（8）式可推导出模糊群k在训练样本i的输出为：y^ik=Σm=1Nαm×K<Φim(Xm,μmk),Φik(Xi,μik)>+b---(9)]]>其中，为模糊群k在训练样本i的输出。K<·>是加权最小二乘支持向量机的核函数，这里K<·>取线性核函数；α_m，m=1,...,N是对应的拉格朗日乘子的第m个分量。μ_mk表示第m个训练样本X_m对于模糊群k的隶属度，Φ_mk(X_m,μ_mk)表示第m个输入变量X_m及其模糊群k的隶属度μ_mk所对应的新的输入矩阵。由反模糊方法中的重心法得到最后的模糊方程系统的输出：y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)]]>其中，为模糊群k在训练样本i的输出。粒子群算法优化模块，用于采用粒子群算法对模糊方程中加权最小二乘支持向量机局部方程的惩罚因子和误差容限值进行优化，具体实现步骤如下：①确定粒子群的优化参数为加权最小二乘支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置r_p、初始速度v_p、局部最优值Lbest_p以及整个粒子群的全局最优值Gbest。②设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：f_p=1/(E_p+1)   （11）式中，E_p是模糊方程系统的误差函数，表示为：Ep=1NΣi=1N(y^i-Oi)2---(12)]]>式中，是模糊方程系统的预测输出，O_i为模糊方程系统的目标输出；③按照如下公式，循环更新每个粒子的速度和位置，v_p(iter+1)=ω×v_p(iter)+m₁a₁(Lbest_p-r_p(iter))+m₂a₂(Gbest-r_p(iter))                                                           （13）r_p(iter+1)=r_p(iter)+v_p(iter+1)         （14）式中，v_p表示更新粒子p的速度，r_p表示更新粒子p的位置，Lbest_p表示更新粒子p的个体最优值，Gbest即为整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m₁、m₂是对应的加速系数，a₁、a₂是[0,1]之间的随机数；④对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：Lbest_p=f_p   （15）⑤如果粒子p的个体最优值Lbest_p大于原来的粒子群全局最优值Gbest，更新原来的粒子群全局最优值Gbest:Gbest=Lbest_p   （16）⑥判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。所述最优支持向量机的工业熔融指数软测量模型还包括：模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新模糊方程模型。