[发明专利]基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法

权利要求书

1.基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法，其特征在于，该方法步骤为：

步骤1：收集输入输出数据组成历史训练数据库，所述数据来自于脱丁烷塔过程；

步骤2：实施谱聚类把训练数据划分到不同的操作阶段，所述的谱聚类算法为：

输入数据集X∈R^N×J，其中，J是过程变量的维数，N是训练样本的个数，x_i∈R^J为输入数据集X中第i个样本的值，i＝1,2,…,N,

定义相似度矩阵W，本文采用式(1)定义的相似度测度

其中，|x_i-x_j|表示x_i与x_j之间欧式距离，τ为此相似度测度的参数；

计算拉普拉斯矩阵

L＝D-W (2)

其中，

对L进行特征值分解，得到特征值集合与特征向量集合特征向量按特征值有小到大顺序排列；

选取前c个特征向量对实施k-means，得到聚类结果其中k为设定的聚类个数，X_g表示第g阶段的全部样本；

步骤3：k-means的详细步骤

随机选取个k聚类质心点初始值，μ_g(g＝1,2,...,k)，

重复下面过程直到聚类质心点收敛{

对于每一个样本x_i，计算其应该属于的类

其中，g(x_i)表示x_i属于的类

}

对于每一个类g，重新计算该类的质心

其中，N(X_g)表示第g阶段的全部样本的个数；

步骤4：

通过离线训练阶段，对历史数据进行谱聚类，得到分类好的数据集

当新的查询样本到来时，先计算其隶属于各类的后验概率，计算方式为式(6)-式(8)

其中，p(g)为第g类的先验概率，n(X_g)和n(X)分别表示第g类和整个训练集中的样本个数；p(x|g)是似然函数，μ_g表示第g类样本的聚类质心；

步骤5：计算训练样本中的样本x_i与查询样本x_q之间相似度

步骤6：最终，对于某个查询样本，将训练样本按照与其的相似度从大到小的顺序排列，选择L个样本构建局部软测量模型，当下一个的查询样本到来时丢弃旧的模型，再按照上述程序再次建立局部模型；

步骤7：所得数据在不同相似样本个数下丁烷浓度预测值和实际值拟合，并且与传统即时学习所建立的软测量模型进行了比较。