[发明专利]一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统

说明书

本发明公开一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统，首先，基于先验知识给出数量为K的候选核参数集和数量为R的候选惩罚参数集。接着，采用LSSVM算法构建基于这些候选核参数和候选惩罚参数的数量为K×R的候选子子模型集合。然后，采用基于分支定界(BB)和自适应加权(AWF)的SEN(BBSEN‑AWF)算法对具有相同核参数和不同惩罚参数的候选子子模型进行选择和合并，进而得到数量为K的候选SEN子模型集合。最后，对数量为K的候选SEN子模型集合再次采用BBSEN‑AWF算法，获得基于SEN‑LSSVM的DXN软测量模型。

技术领域

本发明属于固废处理技术领域，尤其涉及一种基于选择性集成最小二乘支撑向量机的二噁英软测量系统。

背景技术

城市固废焚烧(MSWI)已成为目前国内外多数城市处理可燃垃圾的主要手段。焚烧过程产生多氯代二苯并二英(PCDDs)和多氯代二苯并呋喃(PCDFs)等污染物，该类物质的通俗名称是二噁英(后文简称为DXN)[1]。DXN是目前已知的一种剧毒的持久性污染物。目前，多数MSWI过程的运行很难以减少二噁英的排放浓度为优化目标，其最为主要的原因之一是DXN难以在线实时检测[2,3]。MSWI过程固有的复杂物理和化学特性使得DXN的机理模型难以建立[4]。通常，工业现场DXN的浓度是以月或季为周期在现场采样后，再经长达一周的离线实验室化验与分析才能得到。作为DXN替代测量的DXN指示物检测方法成为当前的关注点之一[5,6]，但该方法检测时间的滞后特性导致其也难以用于MSWI过程的优化和控制，而且指示物与DXN之间的映射模型精度也有待于进一步提高。因此，采用一种有效的替代方法实现DNX浓度的实时检测非常必要。

数据驱动软测量方法能够对需要离线化验的过程参数或需要专家基于经验认知的质量变量进行在线估计和检测[7,8]。软测量模型具有较好的推理估计能力，已在多个不同的工业过程得到成功应用[9]。显然，本发明研究的DXN浓度的实时在线检测问题可以采用构建软测量模型的方法予以实现，但能够获得建模样本数量是极其有限的。最常用的软测量模型构建方法是人工神经网络(ANN)和支撑向量机(SVM)，其中基于结构风险最小化原则的SVM适合对小样本数据建模，可用于本发明所面对的DXN软测量建模问题，但SVM需要解决二次规划(QP)问题。最小二乘支撑向量机(LSSVM)通过求解一组线性等式简化了SVM的QP问题，但其建模参数，如核参数和惩罚参数，通常均与建模数据有关，难以有效合理选择。采用优化算法可实现这些建模参数的选择[10]，但其运行过程耗时较长并只能得到次优解。上述这些基于LSSVM的方法大多只能构建单一模型，预测性能有待提升。

通常，选择性集成(SEN)建模方法通过从候选子模型中选择多个集成子模型并采用线性或非线性的方法进行合并，可得到比单一模型更好的预测性能。SEN建模的首要问题是进行集成构造，即如何基于原始的训练数据集构造具有差异性的候选子模型的建模数据集。采用训练样本重采样集成构造策略的遗传算选择性集成(GASEN)算法，验证了集成部分可用的候选子模型可获得比集成全部候选子模型更好的泛化性能[11]，但建模参数的选择问题在该方法中并未予以解决。采用操纵输入特征集成构造策略的SEN算法，有效的用于多源多尺度高维频谱数据建模[12,13,14]；该方法通过采用基于分支定界(BB)和自适应加权融合(AWF)算法的SEN(BBSEN-AWF)方法，其关注点是如何从SEN和信息融合的视角进行多源信息的选择性融合。