[发明专利]基于半监督局部线性回归的自适应参数软测量方法

权利要求书

1.一种基于半监督局部线性回归的自适应参数软测量方法，其特征在于，首先将未标记样本引入局部线性回归的流形正则化函数进行模型求解，得到半监督局部线性回归的学习方法；接着采用适用于半监督局部线性回归的自适应参数选择方法，使得模型能够过滤掉标记样本中测量误差带来的影响；最后将自适应参数的半监督局部线性回归方法基于滚动时间窗的方式，实现软测量模型的在线更新。

2.根据权利要求1所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的半监督局部线性回归学习方法是指：假设x_i∈X,i＝1,2,…,n为输入数据集X中的数据点，β_i∈B,i＝1,2,…,n分别为各数据点上的局部线性系数向量，其中n为总数据个数，B为所有局部线性系数向量组成的系数矩阵，则通过求解下式可以得到某输入数据点x_i的局部线性系数向量

其中l为标记数据个数，n为总数据个数；w_ij为某两个数据点x_i和x_j之间的相似度，这里w_ij由高斯核函数给出，即 h为高斯核宽，用于调节相似数据点的范围；除此以外，β_i的计算公式中 γ为半监督系数，当该值为0时，算法退化为监督算法。

3.根据权利要求1或2所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的适应于半监督局部线性回归的自适应参数选择方法是指：通过计算标记样本集中标记样本的估计斜率，来自适应得到一个半监督局部线性回归中高斯核函数的高斯核宽h，从而选取一个合适的高斯核宽使方法预测精度提高。

4.根据权利要求3所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的适应于半监督局部线性回归的自适应参数选择方法，具体步骤如下：首先对部分事先已经获得的输入数据进行离线实验，找出一个适应于这些数据的最优高斯核宽，记为h_o；再通过下式计算这些数据的估计斜率，

记为k₀，其中y_i为标记样本集中某一标记样本的标记值，n_i为标记样本集中某一标记样本在全部数据集中的顺序编号，v为标记样本集中标记样本的个数；当标记样本集更新以后，按上式重新计算估计斜率k，则自适应的高斯核宽 再利用该参数进行半监督局部线性回归的变量预测，其中，所述全部数据集包括标记样本和未标记样本，所述顺序编号按获取时间排序。

5.根据权利要求1至4中任一项所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的在线更新是指：对标记数据集X_L，全部数据集X和预测集 随着数据的读取，进行数据的处理和预测，同时更新这个三个数据集。

6.根据权利要求1至5中任一项所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的基于滚动时间窗的方法是指按时间来对数据集进行更新，即如果获取一个数据点是标记样本，则将其加入到标记数据集中，并从标记数据集中去掉一个最早的数据以使标记数据集中的标记样本数目维持在一个定制，并不断通过对实时变化的标记数据集和全部数据进行软测量模型的建模和预测，实现模型的不断更新，更适应于新获取的数据，避免模型的过学习问题。

7.根据权利要求5或6所述的基于半监督局部线性回归的自适应参数软测量方法，其特征在于，所述的基于滚动时间窗的方法是指按时间来对数据集进行更新，具体过程是这样的：首先利用X_L和X进行基于半监督局部线性回归的软测量模型建立，并对数据点进行预测得到测量结果，更新 接着读取新数据，更新X_L和X，重新进行基于半监督局部线性回归的软测量模型建立和结果预测，不断循环下去直到预测终止。