基于概率推理的軟測量若干關(guān)鍵問題研究.pdf_第1頁
已閱讀1頁,還剩117頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、軟測量模型是基于生產(chǎn)過程特征建立的,能夠反映易于測量的過程變量與難于測量的目標過程變量間復雜關(guān)系的數(shù)學模型?;谠摂?shù)學模型,可實現(xiàn)對目標變量的推斷估計,從而解決一些關(guān)鍵過程變量難于測量的問題。采用數(shù)據(jù)驅(qū)動方法建立的軟測量模型在工業(yè)中獲得了越來越廣泛的應用,并取得了較好的應用效果。
  在目前的軟測量研究與應用中仍存在以下亟待解決的問題:(1)提高對建模數(shù)據(jù)中異常值的檢測能力;(2)如何解決模型訓練的不穩(wěn)定性,提高預測模型的預測精度

2、;(3)對于日趨復雜的生產(chǎn)過程,例如生產(chǎn)過程中會出現(xiàn)明顯生產(chǎn)狀態(tài)切換的過程,如何保證在不同的狀態(tài)下均取得較好的預測效果;(4)如何提高軟測量模型的持續(xù)工作能力。
  針對以上問題,本文基于概率推理建模方法進行了深入研究。概率推理建模(包括極大似然方法和貝葉斯方法)是數(shù)據(jù)驅(qū)動軟測量建模中的一種重要方法,其在面向復雜多變量工業(yè)過程數(shù)據(jù)建模時有著優(yōu)越的性能。本文的研究內(nèi)容如下:
  (1)為提高針對訓練數(shù)據(jù)中的異常值進行檢測的能力

3、,將概率主成分分析用于建模數(shù)據(jù)的異常值檢測,給出了一種能夠在主成分空間更加有效地進行異常值檢測的方法。該方法在保留主成分分析對于異常值檢測的優(yōu)良特性基礎(chǔ)上,利用概率主成分分析的隱變量模型結(jié)構(gòu),對建模數(shù)據(jù)在主成分空間的投影分布進行方便有效的密度估計?;谠撁芏裙烙嫷奶匦?并結(jié)合統(tǒng)計距離,有效地提高了對異常值檢測的準確性。同時基于期望最大化算法的基本框架,也給出了相應的期望最大化算法。通過與幾種目前常用的異常值檢測方法進行實驗比較,顯示出更

4、好的檢測效果。
  (2)為解決軟測量中預測模型的訓練不穩(wěn)定性問題,提出了一種由同構(gòu)概率回歸子模型構(gòu)成的組合預測模型。該組合模型方法通過bootstrap重采樣方法獲得多個訓練數(shù)據(jù)集,基于這些數(shù)據(jù)集建立多個同結(jié)構(gòu)概率回歸子模型,然后根據(jù)各個子預測模型的預測方差和預測均值分布概率,給出了一種基于子模型預測性能評價的模型組合策略,對多個子模型的輸出進行組合獲得組合輸出,從而有效解決單個模型建模會出現(xiàn)的訓練不穩(wěn)定性問題,提高了軟測量模型

5、的整體預測性能。通過采用高斯過程回歸模型、相關(guān)向量機這兩種典型的概率回歸模型作為子模型,針對實際應用進行實驗。實驗結(jié)果說明了該組合模型方法相對于傳統(tǒng)的單模型方法有更好的預測效果。
  (3)針對一類有明顯狀態(tài)切換的復雜生產(chǎn)過程,由于各狀態(tài)物理或化學機理性質(zhì)差異,單一模型難以在各個狀態(tài)下都取得理想預測性能的問題,提出了一種預測模型組合框架。該框架首先采用有偏重的模型訓練策略,對構(gòu)成生產(chǎn)過程的基本生產(chǎn)狀態(tài)建立相應的子模型。在基本生產(chǎn)狀

6、態(tài)的特征數(shù)據(jù)選取時采用了粒子群優(yōu)化算法,以讓子模型能更好地捕捉基本生產(chǎn)狀態(tài)特征。然后采用模糊C均值聚類方法對組合生產(chǎn)狀態(tài)進行辨識,在各狀態(tài)下基于貝葉斯模型比較評估各子模型的預測性能,并以此為依據(jù),基于貝葉斯模型組合方法在各組合生產(chǎn)狀態(tài)中采用不同的子模型組合策略,從而能夠有效地保證模型在不同生產(chǎn)狀態(tài)中均能取得所需的預測性能。
  針對貝葉斯模型在訓練時采用馬爾可夫鏈蒙特卡洛方法常常會出現(xiàn)計算負擔很大的問題,采用了交叉檢驗分布來計算模

7、型證據(jù),并根據(jù)參數(shù)模型和非參數(shù)模型的不同特點,給出了不同的計算策略,有效地降低了模型訓練和模型比較的計算負擔。實驗分析說明,該方法相對于傳統(tǒng)的單一模型方法,有更優(yōu)良的性能。
  (4)為在軟測量模型依賴的硬件傳感器輸出數(shù)據(jù)失效時能對其進行重構(gòu),從而提高軟測量模型整體可用性,提出了一種以混合高斯模型為基礎(chǔ),能夠基于有效數(shù)據(jù)對失效的硬件傳感器輸出數(shù)據(jù)進行數(shù)據(jù)重構(gòu)的方法。該方法充分利用混合高斯模型對多模分布數(shù)據(jù)能夠進行有效建模的能力,建

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論