论文部分内容阅读
软测量技术是当前过程控制领域的研究热点之一，然而随着工业过程的日益复杂化和人们对控制质量要求的日益提高，传统的软测量技术越来越难以得到令人满意的性能，数据驱动的软测量建模方法逐渐成为软测量技术的主流。基于样本数据构建的软测量模型，其目的在于抽取隐含在样本数据中的知识或规律，也就是说希望获得泛化能力较佳的软测量模型。本文着重研究具有较佳泛化能力的算法并应用于软测量模型的构建，主要工作及创新包括如下内容：
●给出了数据驱动软测量建模的一般描述，分析了影响软测量模型泛化能力的主要因素，从模型复杂度控制与主动学习两个方面对提高软测量模型泛化能力的方法进行研究。
●针对普通前向选择算法的局限，提出一种训练径向基函数神经网络的层次分辨度快速选择算法。算法基于快速生长的回归树算法来构建特征集合，特征集合具有层次多分辨度的特点。通过对叶子节点的最小样本数pmin及尺度参数α的优化选择可以构建更具代表性的RBF NN中心向量候选集合。为了确定最佳的结构参数对{Pmin，α}，设计了一种结构参数的自适应优选策略。为保证模型的泛化能力，引入基于统计学习理论的VM测度并通过实验分析比较说明VM测度作为模型选择准则的的有效性。
●多模型方法在解决复杂工业过程软测量建模表现出诸多优点，受懒惰学习算法思想的启发，综合预测平方和准则、分类回归树算法及懒惰学习提出一种基于预测平方和准则的RBF NN局部学习多模型方法。为了更合理地定位查询点的近邻样本，提出了一种新的相似性测度。算法由于基于分而治之的基本思想并综合考虑了模型选择与近邻样本的参数估计，可以保证构建的模型具有优异的泛化能力，而预测平方和准则的数值特性保证了算法的实时性要求。
●粒子群算法是一种实现简单、运算高效的群体智能算法，在求解大尺度、高维数优化问题中具有一定的优越性，本文提出了一种改进的粒子群优化算法一层次聚类粒子群优化算法（PSOHC）。提出了两种新颖的应用PSO算法优化RBF NN的学习方法：第一种首先采用对手受罚的竞争学习确定合适的隐含层单元数，然后对其他参数进行粒子编码后采用PSOHC算法进行求解；第二种通过矩阵编码实现了RBF NN的全结构优化学习。
●在许多实际应用环境，样本标记是一项耗时耗力的工作，而主动学习通过主动参与样本选择，从而可实现在同样泛化能力下学习算法所需样本数少得多的学习效果。基于这一现实，提出一种基于半监督学习的RBF NN主动学习算法，算法综合了半监督学习模式及委员会查询主动学习算法。
●结合本文的研究成果，将其分别应用于磁流变阻尼系数软测量模型及中医脉象辨识软测量模型中。磁流变阻尼系数软测量模型说明了本文算法的有效性，并在实际应用中取得了良好的效果；中医脉象辨识软测量模型已成功应用于中医脉象仪产品，在保证辨识精度的同时节省了大量的样本标注成本，效果显著。