[发明专利]一种城市固废焚烧过程二噁英排放浓度软测量方法

权利要求书

1.一种城市固废焚烧过程二噁英排放浓度软测量方法，其特征在于，首先，采用潜在特征提取与初选模块将MSWI过程数据依据工业流程划分为不同来源的子系统，采用主元分析PCA分别提取其潜在特征，并依据经验预设的主元贡献率阈值进行多源潜在特征初选；接着，潜在特征度量与再选模块采用互信息MI度量初选的潜在特征与DXN间的相关性，自适应确定潜在特征再选的上下限及阈值；最后，自适应选择性集成建模模块基于再选潜在特征，采用具有超参数自适应选择机制的最小二乘-支撑向量机LS-SVM算法，建立针对不同子系统的DXN排放浓度子模型，采用基于分支定界BB和预测误差信息熵加权算法的策略优化选择子模型和计算权系数，构建DXN排放浓度SEN软测量模型；

模型输入数据X∈R^N×M包括N个样本和M个变量，其源于MSWI过程的不同子系统；将来自第ith个子系统的建模数据表示为即存在如下关系，

其中，I表示子系统个数，Mⁱ表示第ith个子系统包含的变量个数；相应的，输出数据包括N个样本行，其来源于离线化验的DXN排放浓度检测数据；

其中，潜在特征提取与初选模块的工作过程如下：以第ith个子系统为例，首先采用PCA提取高维输入过程变量的潜在特征；将输入数据Xⁱ进行零均值1方差的标准化后，将其分解为，

其中，和表示第个主元PC的得分和负载向量，T表示转置，表示对第ith个子系统所提取的潜在特征数量，其计算公式如下，

基于上述表达式，从数据Xⁱ所提取的全部潜在特征可表示为，

其中，表示得分矩阵，是数据Xⁱ在负载矩阵Pⁱ方向上的正交映射；Pⁱ采用如下公式表示，

其中，

因此，从数据Xⁱ所提取的潜在特征可表示为，

其中，

进一步，全部潜在特征可表示为，

将与第个负载向量对应的特征向量记为相应的第个潜在特征的贡献率采用如下公式计算，

将依据经验选择的阈值记为θ_Contri，其默认取值为1，采用如下规则对全部潜在特征进行初次选择，

其中，表示第个潜在特征是否被选中的标记值，其值为1表示该潜在特征被初次选中，

因此，将针对第ith个子系统的初选潜在特征表示为，

进一步，全部初选潜在特征Z_FeSe1st可表示为，

其中，潜在特征度量与再选模块的工作过程如下：以第ith个子系统为例，将每个初选潜在特征与DXN排放浓度间的互信息MI值标记为采用如下公式计算，

其中，和p_prob(y)表示和y的边际概率密度；表示联合概率密度；表示条件熵，H(y)表示信息熵，

依据软测量模型的预测性能自适应确定阈值；阈值的上限值下限值及固定步长采用如下公式计算，

其中，函数max(·)和min(·)分别表示取最大值和最小值；表示依据经验确定的候选阈值的数量，其默认值为10，

将选定的阈值记为θ_Contri，其值在和之间以DXN软测量模型的预测性能为准则进行自适应选择，

采用如下规则对初选的潜在特征进行再次选择，

其中，表示第个潜在特征是否被选中的标记值，其值为1表示该潜在特征被再次选中，

进一步，将针对第ith个子系统的再选潜在特征表示为，

因此，全部再选潜在特征Z_FeSe2nd可表示为，

其中，自适应选择性集成建模模块的工作过程如下：

以第ith个子系统为例，首先，将再选潜在特征通过映射变换到高维特征空间，然后求解如下优化问题，

其中，wⁱ表示权重系数，bⁱ表示偏置，是第nth个样本的预测误差，

采用拉格朗日方法，可得如下公式，

其中，表示拉格朗日算子向量，表示预测误差向量；

对上述公式进行求解，

将所采用的核函数表示如下，

进一步，将LS-SVM问题转换为求解以下线性等式系统，

通过求解上述公式，得到βⁱ和bⁱ，

进而，基于LS-SVM构建的DXN排放浓度子模型可表示为，

上述排放浓度子模型的超参数自适应选择机制采用下述的两步法实现：

第1步，采用网格搜索策略以子模型的预测性能为目标函数，在候选超参数矩阵M_para中自适应选择初始超参数对超参数矩阵M_para如下所示，

其中，k＝1,…,K,K表示候选核参数的数量；r＝1,…,R,R表示候选惩罚参数的数量；表示由第kth个核参数和第rth个惩罚参数组成的超参数对，超参数矩阵M_para中的第jth个参数对，即存在j＝1,…,J,J＝K×R表示超参数矩阵M_para中的全部超参数对的个数，因此，对于初次采用网格搜索策略所选择的超参数对是矩阵M_para中一个元素，即存在

第2步，基于上述方法选择的采用如下公式获得新的候选超参数集合，

其中，和表示新的候选超参数集合，分别对应核参数向量和惩罚参数向量；N_ker和N_reg表示依据经验设定的新的超参数的数量；和为依据经验设定的超参数收缩和扩放因子，其默认值均为10，

通过再次采用网格搜索策略自适应获得第ith个子模型的超参数对

对全部子系统执行上述过程，子模型预测输出的集合可表示为，

其中，fⁱ(·)表示第ith个子模型，

结合基于分支定界BB的最优化选择算法和基于误差的信息熵加权算法对上述子模型进行自适应的优化选择和计算加权系数；面向有限数量的候选子模型，通过多次运行优化和加权算法，可获得集成尺寸为2到I-1的SEN模型，最后排序这些优化的SEN模型并将预测性能最佳的作为最终DXN软测量模型，

假定最终DXN软测量模型的集成尺寸为I_sel，其预测输出值可由下式计算：

其中，表示第i_selth个优化选择的子模型，和表示其对应的加权系数及预测值，和表示子模型的超参数和输入特征。