[发明专利]一种磨矿粒度的在线鲁棒正则软测量模型的建立方法

权利要求书

1.一种磨矿粒度的在线鲁棒正则软测量模型的建立方法，其特征在于，包括以下步骤：

S1，在磨矿过程变量中，选取与磨矿粒度相关性最高的五个过程变量作为输入变量，对磨矿粒度进行建模估计；

S2，初始化在线鲁棒正则随机向量功能链接网络结构与参数，并建立引入L₂-岭回归的正则化随机向量功能链接网络模型，计算样本初始残差，其中，所述在线鲁棒正则随机向量功能链接网络结构与参数包括隐含层节点数、正则化参数、激活函数、模型初始化时所需的样本数以及在线学习过程中所采集的数据块大小；

S3，在鲁棒建模初始学习阶段，根据所述样本初始残差由基于IGG法的M估计的权函数计算出每一个样本参与建模时的权重大小，并更新所述网络模型的初始输出权重；

S4，在在线估计与鲁棒建模在线学习阶段，利用所述网络模型，根据实时采集的磨矿过程数据在线估计当前时刻的磨矿粒度，并引入输出权重偏移约束，自适应更新随机向量功能链接网络参数，

所述步骤S2包括：

S21，确定在线鲁棒正则随机向量功能链接网络学习所需要的相关参数，包括隐含层节点数L、正则化参数C、激活函数g(x)、模型初始化时所需的样本数N₀、数据块Z_k；

S22，选取历史时刻至当前时刻的时间段内的磨矿过程数据作为在线鲁棒正则随机向量功能链接网络学习的初始数据集，并对所述初始数据集进行归一化处理；

S23，建立引入L₂-岭回归的鲁棒正则化随机向量功能链接网络模型：

s.t：h(x_i)β＝y_i-ε_i，i＝1，...，N，

其中C为正则化参数，h(x_i)为x_i样本下的隐含层输出，y_i为样本实际输出，ε_i为样本所构建的样本残差，β为模型的输出权重，p_i为x_i样本下的权重矩阵；

S24，随机产生模型隐含层节点的输入权重v_j与隐含层节点偏置b_j，j＝1，2，…，L，并计算初始的隐含层输出矩阵H₀以及初始输出权重β₀，进而求得初始磨矿粒度的估计值，然后计算样本初始残差，

所述步骤S3包括：

S31，将样本初始残差代入到基于IGG法的M估计的权函数中，从而得到初始样本权重矩阵P₀；

S32，根据初始样本权重矩阵P₀，通过以下公式更新初始输出权重：

其中P₀＝diag{P₀(1)，P₀(2)，…，P₀(i)，…，P₀(N₀)}表示初始样本权重矩阵，C表示正则化参数，H₀表示初始的隐含层初始输出矩阵，I表示单位矩阵，Y₀表示初始样本数据实际输出矩阵，N₀代表初始样本总数，L代表隐含层节点数，

所述步骤S4包括：

S41，实时采集磨矿过程运行数据，利用所建立的所述网络模型，在线估计当前时刻的磨矿粒度，并利用所求的残差更新样本权重矩阵；

S42，当形成新的数据块Z_k时，首先对数据进行归一化处理，并计算隐含层输出矩阵，在L₂-岭回归的鲁棒正则化随机向量功能链接网络模型的基础上，在更新目标函数中引入输出权重偏移约束：

其中，k与k-1分别为第k个和第k-1个在线更新批次，C₁为正则化参数，C₂为权值约束系数，h_k(x_i)为x_i样本下的隐含层输出，β为模型的输出权重，p_k(i)为新样本权重矩阵，y_i为新样本实际输出，ε_i为所有累积样本所构建的样本残差，N_k为新样本累积总量；

S43，根据当前数据块Z_k，采用以下在线学习算法更新输出权重：

其中N_k为数据块Z_k的样本数量；P_k、H_k、Y_k、β_k分别表示当前数据块Z_k下所构建的样本权重矩阵、隐含层输出矩阵、样本实际输出矩阵和在线学习后更新产生的输出权重，C₁为正则化参数，C₂为权值约束系数。