[发明专利]基于多向支持向量聚类的非线性多阶段间歇过程软测量方法

摘要

本发明提供了一种基于多向支持向量聚类的非线性多阶段间歇过程软测量方法，包括步骤：S1、该方法首先将三维的过程测量数据按批次方向展开，再按照变量方向重新排列成二维矩阵；S2、在高维的非线性特征空间，建立多向支持向量聚类模型，用于识别和分离不同的操作阶段，将过程与质量变量划分到对应不同阶段的多个子聚类中；S3、建立多个局部核偏最小二乘回归模型，刻画出过程操作的动态特性；S4、引入的距离比率指标，将新批次的测试样本划分到各自的子聚类，选择适当的局部核偏最小二乘回归模型进行质量预测。本发明不仅能有效地提取间歇过程的多阶段特性，而且可以鲁棒地预测宽范围内变化的批次过程，具有很好的预测精度和可靠性。

主权项

一种基于多向支持向量聚类的非线性多阶段间歇过程软测量方法，其特征在于，包括以下步骤：S1、数据预处理：选择非线性间歇过程多阶段运行的输入数据和输出数据其中I是批次数，JX是输入变量数，JY是输出变量数，L是采样点数；将三维矩阵按照批次方向展开成二维矩阵将矩阵的每个列向量均值中心化得到矩阵将按照变量方向重新排列形成矩阵对应的输出数据展开成S2、建立支持向量聚类模型：利用高斯核函数将原始空间的度量数据映射到高维的特征空间，建立支持向量聚类模型，获得包含不同数据类别的多个球面，这些球面描述了间歇过程的潜在操作阶段；S3、建立核偏最小二乘回归模型：建立偏最小二乘回归模型，得到相应的得分和装载矩阵，将该线性回归投影到核特征空间，获得核偏最小二乘回归模型；S4、建立多个局部预测模型：引入距离比率指标，将测试批次的样本划分到各自的子聚类中，根据相应的局部偏最小二乘回归模型，完成对测试样本的预测。