[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

说明书

本发明公开一种基于多核潜在特征提取的智能集成软测量方法，基于多个候选核参数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；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构建得到选择性集成模糊推理主模型；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；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；基于这些训练子集构造基于核随机权神经网络的候选子模型，采用遗传算法优化工具箱和AWF构建选择性集成KRWNN补偿模型；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预测结果。

技术领域

本发明属于工业过程技术领域，尤其涉及一种基于多核潜在特征提取的智能集成软测量方法。

背景技术

在复杂工业过程领域，受生产过程的机理复杂性、众多因素的强耦合性，一些与产品的质量、安全相关的关键过程参数难以采用仪表直接检测。目前主要依靠优秀的领域专家凭经验估计或人工定时采样、实验室检测的方法获得这些参数，存在依赖性大、准确度低、检测滞后、耗时等缺点，难以对工业过程实现运行优化与控制提供有效支撑。采用离线历史数据建立软测量模型是解决此问题的一个替代方法[1]。工业过程数据存在强非线性和共线性，采用全部变量建模不仅增加了模型的复杂度，而且影响模型的建模精度和速度。通常，输入变量(特征)数量总是多于构建高效简洁模型所需的数量，特别是基于光谱、频谱、图像以及文本的模型。同时，小样本建模数据包含的有价值信息同时具有不确定性和不精确性。

针对工业过程中的数据共线性问题，特征提取和特征选择技术可以有效处理。两者各有其优缺点：特征选择技术只是选择最重要的某些相关特征，未被选择的特征可能会降低估计模型的泛化性能[2]；特征提取方法是采用线性或是非线性的方式确定合适的低维潜在特征替代原始高维原始特征。常用的基于主成分分析(PCA)的特征提取方法未考虑输入和输出数据间的相关性[3]。基于偏最小二乘或潜变量映射(PLS)的特征提取方法可有效克服这一缺陷[4]，其核版本，即核PLS(KPLS)是一种采用为输入数据扩展非线性项而实现非线性特征提取的简单高效方法[5,6]。但是核类型及核参数往往与建模数据相关，难以进行合理选择，并且基于KPLS方法采用不同的核参数可以提取得到不同的潜在特征。

模糊推理是一种用于处理含有非确定性和非精确性信息的非线性建模问题的有效方法。文献[7]提出了从建模数据提取高效模糊规则的方法，进而简化了构造推理模型的难度。通常，模糊规则的提取过程被称之为结构辨识。很多离线和在线的聚类策略，如模糊C-均值、爬山聚类[8]、减法聚类[9]、递推在线聚类[10]用于模糊规则的提取，但是这些算法策略未考虑输入和输出数据空间存在的相互关系。文献[11]通过引入新设计的参数对输入空间进行加权，有效的解决了这一问题。目前的模糊推理模型多采用传统的单模型结构。集成建模方法可以提高模型的泛化性、有效性及可信度。集成学习通对具有差异性的子模型进行集成获得比单一模型更好的预测性能和稳定性。研究表明，优选可用的子模型进行选择性集成(SEN)能够得到比简单集成全部子模型以及单一模型具有更佳的泛化性能[12]。因此，选择性的优化集成多个模糊推理子模型也可以获得更好的预测性能，同时可以简化推理规则。显然，基于知识规则的模糊推理模型具备较强的推理能力，但其学习和模式识别能力较弱。

面对小样本数据时，误差逆传播神经网络(BPNN)难以建立稳定性较高的预测模型。基于结构风险最小化的支持向量机(SVM)建模方法适用于小样本数据建模，需要花费较多时间求解最优解。随机权神经网络(RWNN)虽然求解速度快[13,14,15]，但在面向小样本数据建模时同样存在预测性能不稳定的问题，也难以直接用于高维数据建模。将核技术引入RWNN构建的核RWNN(KRWNN)模型可有效克服上述问题[16]。显然，这些非规则推理的数据驱动建模方法可以有效拟合建模数据。