[发明专利]一种基于在线选择性集成的自适应软测量建模方法

权利要求书

1.一种基于在线选择性集成的自适应软测量建模方法，其特征在于，所述方法应用于金霉素发酵过程在线预测金霉素基质浓度，具体包括以下步骤：

步骤(1)利用集散控制系统或离线检测的方法，收集金霉素发酵过程数据D∈R^N×Q，组成用于软测量建模的数据库，通过对金霉素发酵工业过程的机理分析，确定与预测变量y∈R^N×L相关的辅助变量x∈R^N×M，辅助变量x即输入变量，x＝{x₁,x₂,...,x_n}∈R^N×M，将金霉素基质浓度作为输出，即y＝{y₁,y₂,...,y_n}∈R^n×1；其中，N和M分别表示样本个数和辅助变量个数，L为预测变量个数，Q为过程数据总的变量个数；所述输入变量x具体为：发酵时间、温度、pH、DO浓度、空气流量、空气消耗量、补料速率、基质消耗量、氨水消耗量和发酵体积；

步骤(2)对数据库中的所有样本进行归一化处理，并将其分为训练集D_train∈R^J×Q和测试集D_test∈R^T×Q，其中训练集用于模型的训练，测试集用于模型性能的评估；J和T分别表示训练集和测试集样本个数；

步骤(3)利用K-means在训练集D_train上训练得到最终的聚类中心；

步骤(4)使用步骤(3)中得到的聚类中心基于KNN建立对应的局部区域，随后根据概率分析方法将得到的局部区域进行冗余检测，移除冗余区域，最终得到M个局部区域由此构建一组高斯过程回归基模型{GPR₁,…,GPR_m}；

步骤(5)对查询点进行归一化处理，基于JIT即时学习思想，从距离查询点最近的数据库中搜索出查询点最为相似的样本作为验证集评估局部模型的预测性能，并根据对相似样本的预测性能进行排序，为后面挑选高斯过程回归基模型集成做准备；

步骤(6)对步骤(4)中所得的M个GPR模型进行挑选参与后面的集成，根据步骤(5)选择预测精度较高的M_select个GPR模型通过贝叶斯原理进行自适应加权集成预测输出，最终得到测试样本点x_new的预测输出，此外，x_new基于移动窗口的方式更新验证集数据库；

步骤(7)将步骤(6)中的集成结果反归一化作为最终预测结果，并根据预测结果最终实现对金霉素基质浓度的在线测量，当新的在线数据到来时重复步骤(5)至步骤(7)。

2.根据权利要求1所述的基于在线选择性集成的自适应软测量建模方法，其特征在于，所述步骤(3)中K-means在训练集D_train上确定聚类中心具体过程为：

(a)随机选取k个中心，记为

(b)定义损失函数：

令t＝0,1,2,...为迭代步数，重复如下过程直到J收敛：

①对于每一个样本，将其分配到距离最近的中心

②对于每一个类中心k，重新计算该类的中心

最终确定并获得k个聚类中心点。