[发明专利]基于半监督回归学习的多模型软测量方法

权利要求书

1.一种基于半监督回归学习的多模型软测量方法，其特征在于，包括如下步骤：

步骤一：对数据进行聚类；

步骤二：根据数据分类结果采用多个子模型预测方案共同进行子模型预测，获得子模型预测结果；

步骤三：将多个子模型预测结果进行合并，得到预测结果。

2.根据权利要求1所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述步骤一，具体为：以加权式多模型软测量建模方法采用G-K模糊聚类算法对数据进行聚类。

3.根据权利要求2所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述步骤三，包括步骤：将子模型预测结果进行基于加权的优化。

4.根据权利要求1至3中任一项所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述步骤一，具体为：以切换式多模型软测量建模方法采用最小距离分类算法对数据进行聚类。

5.根据权利要求4所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述步骤三，包括步骤：将子模型预测结果进行基于切换的优化。

6.根据权利要求1至5中任一项所述的基于半监督回归学习的多模型软测量方法，其特征在于，具体为：在软测量模型建模之前，首先通过数据聚类将作为模型输入的辅助变量数据根据它们之间的相似性进行分类，接着再根据分类结果采用不同的建模策略将一个系统拆分为多个软测量子模型共同进行变量预测，最后再把多个子模型的预测结果进行合并，形成一种多模型的软测量模型预测结果。

7.根据权利要求1至6中任一项所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述对数据进行聚类包括模糊聚类以及硬聚类，其中，模糊聚类是指一种不严格的聚类，即某一个数据点并不完全属于一个类别，数据点对各个类别的所述关系通过模糊隶属度来表现，模糊隶属度是一个范围在0到1内的小数，该小数越大，代表数据点与某一类别中的数据越相似，此外，同一数据点对所有类别的模糊隶属度加和为1；硬聚类是指一种严格的聚类，即某一个数据点是只能严格地属于某一个类别，这种方法不存在隶属度的概念，对某一数据点的所属关系来说，是非此即彼的。

8.根据权利要求2至7中任一项所述的基于半监督回归学习的多模型软测量方法，其特征在于，加权式多模型软测量建模方法指的是：首先利用G-K模糊聚类算法对输入数据点进行聚类分析，得到聚类中心和每个数据点的模糊隶属度，接着根据类别的特点建立与类别数相等的子模型进行软测量模型主导变量的预测，最后再以每个数据点的模糊隶属度为加权系数对该数据点的所有子模型预测结果进行加权计算，最终得到一个基于加权的多模型软测量模型预测结果。

9.根据权利要求4至8中任一项所述的基于半监督回归学习的多模型软测量方法，其特征在于，所述的切换式多模型软测量建模方法指的是：首先对作为输入的辅助变量数据进行聚类分析，得到数据的聚类数和聚类中心；接着采用最小距离分类方法对输入数据进行分类，这里的最小聚类分类指的是通过计算某一数据点到各个聚类中心的距离来判定该数据点属于哪个类别，取距离最小的类别为该数据点的所属类别；然后再根据分类结果建立各个类别的软测量子模型对其中的数据进行预测；最后取所有类别中数据的预测结果的并集，直接作为这种多模型软测量方法的预测结果集。