[发明专利]一种基于多核潜在特征提取的智能集成软测量方法

权利要求书

1.一种基于多核潜在特征提取的智能集成软测量方法，其特征在于，包括：

步骤1、基于多个候选核参数采用核偏最小二乘(KPLS)算法提取特征进行集成构造，获得面向不同核参数的潜在特征子集；

步骤2、以这些潜在特征子集作为训练子集构建候选模糊推理子模型，采用优化算法和自适应加权算法(AWF)构建得到选择性集成模糊推理主模型；

步骤3、计算主模型预测误差，选择核参数并采用KPLS提取输入数据中与主模型预测误差相关的潜在特征集合；

步骤4、基于这些潜在特征集合采用Bootstrap算法进行集成构造，获得面向训练样本采样的训练子集；

步骤5、基于这些训练子集构造基于核随机权神经网络(KRWNN)的候选子模型，采用遗传算法优化工具箱(GAOT)和AWF构建选择性集成KRWNN补偿模型；

步骤6、将选择性集成模糊推理主模型与选择性集成KRWNN补偿模型的输出进行合并得到智能集成软测量模型的预测结果。

2.如权利要求1所述的基于多核潜在特征提取的智能集成软测量方法，其特征在于，设x＝[x1,…,xp]和y表示工业过程建模对象的输入和输出；假设离线采集的样本数量为k，并将建模数据集可以表示为表示J个候选核参数的集合，(pker)j表示第jth个核参数；

步骤1具体为：

采用KPLS进行潜在特征提取时，对建模数据集采用不同的核参数进行多核潜在特征提取，进而实现集成构造，

以第jth个核参数(pker)j为例进行描述，基于(pker)j采用选定的核函数将X映射到高维空间，得到的核函数标记为Kj，将其按照如下公式进行标定：

K ~ j = ( I - 1 k 1 k 1 k T ) K j ( I - 1 k 1 k 1 k T ) - - - ( 1 ) ]]>

其中，I是k维的单位矩阵；1k是值为1长度为k的向量，

通过KPLS算法，低维得分矩阵Tj＝[t1,t2,...,th]和Uj＝[u1,u2,...,uh]可以分别得到，原始输入矩阵X的维数缩减到h，所提取的特征可以记为：

Z j = K ~ j U j ( ( T j ) T K ~ j U j ) - 1 = { ( z j ) l } l = 1 k - - - ( 2 ) ]]>

基于多核潜在特征提取进行集成构造的过程可采用如下过程表示：

其中，表示候选核参数集合；J表示采用候选核参数的数量，也是经KPLS提取的基于潜在特征的训练子集，也是候选模糊推理子模型的数量。