[发明专利]一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法

权利要求书

1.一种基于潜结构映射算法的固废焚烧过程DXN排放浓度软测量方法，其特征在于，

步骤1、进行固废焚烧全流程过程变量和易检测排放气体浓度的采集和预处理；

步骤2、基于线性潜结构映射算法的变量投影重要性和依据经验设定的输入特征选择比率，确定软测量模型的输入特征；

步骤3、构建基于操纵训练样本集成构造策略的自适应选择核参数的选择性集成核潜结构映射模型；

步骤1为：采集固废焚烧全流程与DXN排放浓度相关的过程变量和易检测排放气体浓度作为软测量模型的输入特征，并进行剔除离群点、处理缺失值，以及匹配DXN排放浓度离线化验值的处理；

步骤2为：构建基于全部输入特征的线性潜结构映射模型，计算这些输入特征的VIP值并对其进行排序，基于依据经验设定的输入特征选择比率值选择输入特征变量；

步骤3为：采用操纵训练样本策略产生J个训练样本子集，并基于给定的候选核参数和结构参数值构建候选子模型，对候选子模型进行评价后基于选择阈值获得集成子模型，并对集成子模型进行加权合并以获得软测量模型的输出；针对全部候选核参数重复上述过程获得选择性集成模型集合，在其中选择预测性能最佳的作为最终软测量模型，同时确定最佳模型参数；

步骤1具体为：

从MSWI工业过程采集的原始输入数据按DXN排放浓度的产生流程分为三个部分，

其中，M^Generation，M^Absorption和M^Stackgas表示在DXN产生阶段、吸收阶段和排放阶段在线采集的与DXN排放浓度相关的过程变量或易检测排放气体浓度的数量；

依据经验和机理初步选择不同阶段的关键过程变量和易检测排放气体浓度作为DXN排放浓度软测量模型的原始输入特征，上述过程表示为：

其中，x_m表示第mth个输入特征，m＝1,2,…,M；M表示全部输入特征的数量，其满足条件：M≤M^Generation+M^Absorption+M^Stackgas；

在确定输入特征后，结合DXN排放浓度的离线化验值确定建模样本，并进行离群点和缺失值的处理，其样本数量记为N，则全部输入输出样本表示为：

其中，X^∈N×M和y^∈N×1分别表示构建DXN排放浓度模型的输入和输出数据；

步骤2具体为：线性潜结构映射算法的外部模型用于提取和输入输出数据均相关潜在变量，内部模型则通过这些潜在变量构建回归模型，最终的回归模型用下式表示：

其中，G是未建模动态；

进一步，将基于DXN排放浓度建模的输入和输出数据{X,y}构建的线性潜结构映射模型表示为{T,W,P,B,Q}，如下所示：

{X,y}→{T,W,P,B,Q} (9)

其中，T＝[t₁,…,t_h,…,t_H]、W＝[w₁,…,w_h,…,w_H]、P＝[p₁,…,p_h,…,p_H]、B＝diag[b₁,…,b_h,…,b_H]和Q＝[q₁,…,q_h,…,q_H]分别表示输入数据的得分矩阵、输入数据的权重矩阵、输入数据的载荷矩阵、回归系数矩阵和输出数据的载荷矩阵；h＝1,2,…H，H为全部潜在变量的数量；

VIP值表征每个输入特征对潜结构映射模型的影响，其中第mth个输入特征的VIP值的计算公式如下：

其中，M为全部输入特征的数量，H为全部潜在变量的数量，w_mh是在第hth个潜在变量中的第mth个输入特征的权重值，即存在如下关系：

w_h＝[w_1h,…,w_mh,…,w_Mh] (11)

依据VIP值从大到小对所有输入特征进行排序，并将排序后的特征依次标记为其中M^*表示排序后的最后一个输入特征的编号，其值等于M；

依据专家经验设定输入特征选择比率值ρ_FeSel，依据下式确定所选择的输入特征的数量，M_sel＝f_int(M^*·ρ_FeSel) (12)

其中，0ρ_FeSel≤1，表示取整函数；

取排序后的输入特征的前M_sel个作为选择的输入特征，并标记为

用于输入特征选择的模型最终表示为f_FeSel(·)

其中，

此处，将经特征选择后的建模样本记为

步骤3、基于训练样本构造策略的选择性集成软测量模型

(1)训练子集构造

基于“训练样本采样”的方式从原始训练样本中产生数量为预设定值J的训练样本子集，该过程表示为：

其中表示第jth个训练样本子集；j＝1,…,J，J表示预设定的全部训练子集的数量，同时也是候选子模型的数量；

(2)候选子模型构建

针对DXN的“生成-吸收-排放”过程所固有的非线性特性，此处采用核潜结构映射算法构建基于训练样本子集的DXN排放浓度候选子模型；核潜结构映射算法首先将输入矩阵非线性映射到高维特征空间，然后在该特征空间上执行线性潜结构映射算法，最后获得原始输入空间的非线性模型；

由于核参数难以自适应选择，此处给定依据先验知识选择的L个候选核参数，并将其记为为控制软测量模型的复杂度，此处将候选子模型的结构参数基于经验进行选择并将其标记为H_KLV；此处以第jth个训练样本子集为例描述子模型的构建过程；首先将输入数据基于第核参数映射至高维空间，将得到的核函数标记为并按照如下公式进行标定：

其中I是N维的单位矩阵；1_N是值为1长度为N的向量，上标T表示转置；

基于核参数构建全部候选子模型的过程表示为：

其中，表示基于核参数构建的第jth个候选子模型，表示基于核参数构建的J个候选子模型的集合；

原始训练样本基于候选子模型的预测输出为

其中，和表示和y^j对应的得分矩阵；表示基于下式标定的基于核参数的原始训练样本核矩阵，

其中，为基于核参数的原始训练样本的核矩阵；

(3)候选子模型评价

集成上述基于核参数的全部J个候选子模型作为集成模型，其对应的第nth个训练样本的输出表示为：

其中,是基于核参数的第jth个集成子模型的理想权重系数；

候选子模型和集成模型的学习误差采用下式计算：

定义候选子模型的输出偏离真值yⁿ的偏差为偏差函数，记均方误差写为因此，公式(20)重新改写为:

定义集成子模型误差函数之间的对称相关系数矩阵其中s＝1,...,J；通过最小化目标函数求得即,

通过简化约束后采用拉格朗日乘子法求解上式，并将得到的理想权重向量中的第j^*th个理想权重值记为上述解析方法的缺点是需要求解误差函数相关系数矩阵的逆；由于不同候选子模型之间存在相关性，为避免求逆过程的不稳定，本发明中采用智能优化算法求解并获得面向每个候选子模型的优化理想权重向量；

(4)集成子模型选择

为简化模型结构，针对基于核参数的全部候选子模型，选择优化理想权重值大于ρ_SubSel的候选子模型作为集成子模型，其数量记为即集成模型尺寸为其中，第个集成子模型的输出为：

其中，为采用核参数时所选择的集成子模型数量，同时也是基于核参数的选择性集成模型的集成尺寸；

进一步，将全部集成子模型的输出表示为：

同时，将全部集成子模型的集合表示为：

可知，集成子模型和候选子模型间的关系表示为

(5)集成子模型合并

基于核参数的选择性集成模型的输出采用如下公式计算：

其中，为采用核参数时第个集成子模型的加权系数；

进一步，基于变量m_SubCom确定基于核参数的集成子模型的加权方法，具体如下：

当m_SubCom＝1时，采用自适应加权融合方法：加权系数采用如下公式计算，

其中，是基于核参数的集成子模型的预测输出的标准差；

当m_SubCom＝2时，采用预测误差信息墒加权方法：加权系数采用如下公式计算，

其中，

其中，表示基于第个集成子模型对第nth个样本的预测输出；表示预处理后的第nth个样本的预测误差相对值；表示针对第个集成子模型预测误差信息熵的值；

当m_SubCom＝3时，采用线性、非线性回归方法计算加权系数

其中，f_weight(·)表示用于计算全部加权系数的函数，在本发明中也同时表示基于核参数的集成子模型预测输出与真值y之间的映射关系；

(6)软测量模型选择

重复上述过程，构建基于全部候选核参数的全部选择性集成模型，并记作为采用如下公式自适应的选择具有最优泛化性能的选择性集成模型作为最终的软测量模型，即

其中，表示基于核参数的选择性集成模型预测输出的均方根误差，表示基于核参数的选择性集成模型对第nth个样本的预测输出。