[发明专利]一种基于FF-RVM的多时段间歇过程软测量建模方法

权利要求书

1.一种基于FF-RVM的多时段间歇过程软测量建模方法，其特征在于：该方法包括以下步骤：

步骤一：采集间歇过程的多批次过程数据{X(I×J₁×K),Y(I×J₂×K)}，将X按采样点方向展开，得到二维数据矩阵X_s(K×IJ₁)，并按列方向将其标准化为零均值和单位方差，得到用于时段划分的数据集利用SCFCM方法对进行时段划分得到C个时段数据集和对应的隶属度矩阵U_c，其中，u_i,c∈R^1×C，1≤i≤K_c，1≤c≤C，将X(I×J₁×K)和Y(I×J₂×K)按变量方向展开，得到二维数据矩阵X_v(IK×J₁)和Y_v(IK×J₂)，根据SCFCM时段划分结果对X_v(IK×J₁)和Y_v(IK×J₂)分别进行时段划分得到时段数据集X_v,c(IK_c×J₁)和Y_v,c(IK_c×J₂)，1≤c≤C，分别对其进行标准化，得到时段软测量建模数据集和

步骤二：分别利用KPCA和SSAE算法对进行特征提取，得到经过KPCA降维处理的数据和经过SSAE扩维处理的数据采用基于误差最小的特性选择方法对进行筛选，得到经过特征筛选后的数据并将和进行特征融合，得到经过特征融合后的数据对于的第k(1≤k≤J₂)个质量变量所建立的软测量模型，根据第c个时段的训练数据对其进行特征提取、筛选和特征融合的具体步骤如下：

(1)、利用KPCA对输入数据进行降维处理，获得经过KPCA特征降维后的数据D₁为KPCA提取的特征个数；

(2)、利用SSAE对对原始输入数据进行扩维处理，置SSAE隐含层个数为n个，第i个隐含层的节点个数为m_i，1≤i≤n，将训练好的所有隐含层特征进行合并，得到经过SSAE特征扩维后的数据d为SSAE提取的特征个数，d＝m₁+m₂+…+m_n，从中分别提取包含各个单维特征的数据1≤j≤d，利用式(1)分别计算与质量变量之间的联合熵(Joint Entropy，JE)

其中，p(x,y)为和同时出现的联合概率，x和y分别为和中的具体数值；

(3)、将JE值降序排列，并根据降序结果重新排列JE值所对应的单维特征数据，并将排列后的所有单维特征数据进行合并，得到排列后的组合特征数据

(4)、对于组合特征数据采用基于误差最小的特征选择方法对SSAE特征进行筛选。根据特征维度数目对其依次选取前h个特征进行重构，得到h个重构后的数据J₂≤h≤d，利用训练RVM模型，得到预测输出值分别计算与之间的均方根误差，得到满足均方根误差最小的特征个数D₂，有

选取的前D₂个特征作为最终经过SSAE扩维并筛选后所获得的数据

(5)、将和进行融合，得到经过特征融合后的数据其中

D＝D₁+D₂；

步骤三：将数据集作为间歇过程第c(1≤c≤C)个时段的训练数据，建立基于FF-RVM的离线时段软测量模型；

步骤四：对于在线数据x_test，首先根据其采样时刻判定其所属时段再利用时段中的均值和方差对x_test进行标准化，得到标准化后的测试数据利用时段训练好的KPCA模型对进行特征降维处理，得到特征降维后的数据利用时段训练好的SSAE模型对进行特征扩维处理，得到特征扩维后的数据并采用基于误差最小的特征选择方法筛选出中个SSAE特征，得到对应的数据将和进行特征融合，得到经过特征融合后的数据将其作为RVM模型的输入数据；最后利用时段对应的RVM模型对进行预测，得到的预测值为

预测值的预测方差为

质量变量的预测值与真实值y_test之间的误差大小利用均方根误差计算。