[发明专利]基于增量高斯混合回归的原油含水率自适应软测量方法

权利要求书

1.一种基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于，包括以下步骤：

S1、收集历史采油过程数据作为训练数据集P(x，y)∈R^n×m，x为输入辅助变量，y为原油含水率，n为样本个数，m为变量个数，R为实数集；

S2、将步骤S1收集到的采油过程训练数据集P标准化：转化为均值为0，方差为1的数据集

S3、利用标准化后的采油过程新数据集离线建立高斯混合回归模型，预测原油含水率；

S4、将采集到的实时采油过程数据标准化处理后，利用步骤S3对新数据进行质量预测并且输出原油含水率的预测值实验室抽检获得原油含水率的真实输出y_new后，将样本数据收集到新数据集Z中；当Z的数据量大于预设值m时，通过步骤S3训练一个新的高斯混合回归模型以拟合数据集Z，同时只需要将模型参数和训练数据个数存入历史数据库；

S5、为了根据采油过程新数据中所含信息来更新历史模型，首先计算历史高斯混合回归模型和新建高斯混合模型组分之间的SKLD值，判断SKLD值是否超过阈值η，若超过该阈值时则不能融合组份，小于该阈值时则可以融合；

S6、随着采油过程新数据流入，不断重复步骤S4和步骤S5，实现采油过程中对原油含水率的自适应质量预测。

2.根据权利要求1所述的基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于：所述步骤S3中，计算贝叶斯信息准则BIC值，确定模型最佳高斯组分数目K，给予一组初始参数用期望极大值EM算法对模型的参数进行学习；

EM算法迭代更新参数值的公式为：

其中和分别表示第q次迭代时候样本属于第k个高斯组分的均值、协方差、先验概率；p^(q)(C_k|w_i)为第i个训练样本属于第k个高斯组分的后验概率；直到极大似然目标函数收敛，完成对高斯混合回归模型参数的估计；模型各个组分的均值向量和协方差矩阵表示为：

每个模型组分中，在给定辅助变量x后原油含水率y的条件概率分布计算如下：

其中均值向量协方差矩阵原油含水率y的条件概率分布为：

其中表示为训练样本x属于第k个高斯组分的后验概率，采集新来数据的辅助变量x后，通过软测量模型预测原油含水率为：

将建模数据数目n和局部模型参数存入历史数据库中，无需保存历史数据。

3.根据权利要求1所述的基于增量高斯混合回归的原油含水率自适应软测量方法，其特征在于：所述步骤S5中，SKLD值计算公式如下：

其中φ₁和φ₂分别代表原始和新建两个高斯混合模型的组分，μ和∑分别代表高斯混合模型组分的均值向量和协方差矩阵，D表示变量的维度；

当SKLD值小于阈值η的时，判断原始模型组分j和新建模型组分k在统计学上是等价的，融合为一个新的组分；

新组分的参数更新公式如下：

当SKLD值大于阈值η时，判断原始模型组分j和新建模型组分k在统计学上不等价，则保持各自的均值向量μ和协方差矩阵∑不变，更新各自组份的权重

权重的更新公式如下：

当前组分属于新建模型时：

当前组分属于原始模型时：