發(fā)布時(shí)間：2020-12-06 04:17

　　在工業(yè)過(guò)程中,一些重要的質(zhì)量變量往往無(wú)法通過(guò)在線儀表實(shí)時(shí)測(cè)量得到,并且實(shí)驗(yàn)室離線分析可能存在比較大的時(shí)間滯后性和高成本的情況。軟測(cè)量技術(shù)通過(guò)構(gòu)建易測(cè)變量與質(zhì)量變量間的函數(shù)關(guān)系,實(shí)現(xiàn)對(duì)質(zhì)量變量的在線監(jiān)測(cè)。對(duì)于具有非線性、多階段等特征的工業(yè)過(guò)程,建立單一結(jié)構(gòu)的全局軟測(cè)量模型往往會(huì)出現(xiàn)泛化能力不強(qiáng),過(guò)程階段性解釋力差等局限。本文研究了基于集成學(xué)習(xí)的多模型建模方法,通過(guò)構(gòu)造多個(gè)簡(jiǎn)單的局部模型,最后,按照約定的規(guī)則對(duì)局部模型的輸出結(jié)果進(jìn)行融合,得到最終的模型輸出。以集成學(xué)習(xí)思想和高斯過(guò)程回歸（Gaussian Process Regression,GPR）算法為基礎(chǔ),對(duì)現(xiàn)有軟測(cè)量技術(shù)進(jìn)行了改進(jìn),主要取得的成果如下:1)針對(duì)實(shí)際工業(yè)過(guò)程呈現(xiàn)非線性、高維度和時(shí)變等特點(diǎn),以及過(guò)程的質(zhì)量變量難以實(shí)時(shí)監(jiān)測(cè)的問(wèn)題,利用核主元分析方法（Kernel Principal Component Analysis,KPCA）對(duì)采集的過(guò)程數(shù)據(jù)進(jìn)行非線性的降維處理;基于降維后的主成分重構(gòu)輸入樣本集,利用Bagging算法獲得若干子樣本集,并建立相應(yīng)的GPR局部模型;最后根據(jù)貝葉斯后驗(yàn)概率計(jì)算得到各局部模型的權(quán)重,進(jìn)行融合... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

軟測(cè)量應(yīng)用結(jié)構(gòu)示意圖

圖 1-2 集成學(xué)習(xí)算法的應(yīng)用示意圖根據(jù)集成學(xué)習(xí)方法的整體實(shí)現(xiàn)方式，可劃分為三部分：個(gè)體學(xué)習(xí)機(jī)樣本集的學(xué)習(xí)機(jī)的訓(xùn)練、個(gè)體學(xué)習(xí)機(jī)的融合。針對(duì)這三個(gè)部分，國(guó)內(nèi)外研究者進(jìn)行了與應(yīng)用，下面將對(duì)這三部分做簡(jiǎn)單的介紹。(1) 個(gè)體學(xué)習(xí)機(jī)樣本的產(chǎn)生

圖 1-5 隨機(jī)子空間算法(2) 個(gè)體學(xué)習(xí)機(jī)的訓(xùn)練對(duì)個(gè)體學(xué)習(xí)機(jī)采用不同的學(xué)習(xí)算法，或者對(duì)具有差異性的樣本子集采用相同的學(xué)習(xí)訓(xùn)練均可以滿足集成學(xué)習(xí)對(duì)個(gè)體學(xué)習(xí)機(jī)之間具有差異性的要求，所以個(gè)體學(xué)習(xí)機(jī)的訓(xùn)


本文編號(hào)：2900708