專利名稱：融合kpls與fnn的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于軟測量技術(shù)領(lǐng)域,具體涉及一種融合核偏最小二乘(Kernel PartialLeast Squares,KPLS)與虛假最近鄰點(diǎn)(False Nearest Neighbors,FNN)的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法。
背景技術(shù)：
到目前為止，在實(shí)際生產(chǎn)過程中，存在著許多因?yàn)榧夹g(shù)或經(jīng)濟(jì)原因無法直接測量的變量，在這種情況下，軟測量技術(shù)應(yīng)運(yùn)而生。軟測量就是依據(jù)可測、易測的過程變量(稱為輔助變量)與難以直接檢測的待測變量(稱為主導(dǎo)變量)的數(shù)學(xué)關(guān)系，根據(jù)某種最優(yōu)準(zhǔn)貝U，采用各種計(jì)算方法，用軟件實(shí)現(xiàn)對待測變量的測量或估計(jì)。軟測量技術(shù)是目前研究的一個(gè)熱點(diǎn)，例如中國專利(專利號200410017533. 7)就提出了一種基于支持向量機(jī)的軟測量 建模方法。在軟測量過程中，輔助變量的選擇是第一步。在大多數(shù)實(shí)際生產(chǎn)過程中，人們經(jīng)常不能確定哪個(gè)輔助變量與主導(dǎo)變量相關(guān)，或有多大程度的相關(guān)，因而導(dǎo)致參與計(jì)算的輔助變量數(shù)量眾多。將眾多輔助變量通過計(jì)算，實(shí)現(xiàn)對主導(dǎo)變量的軟測量，會帶來龐大的計(jì)算量，不僅耗時(shí)耗力，并且得到的軟測量結(jié)果也并不一定是最好的，這是在生成過程中不希望看到的事情。如何利用最少的輔助變量集對主導(dǎo)變量實(shí)現(xiàn)效果最好的的軟測量，成為人們追求的目標(biāo)。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法，能夠在建模效果最佳的準(zhǔn)則上找出含輔助變量個(gè)數(shù)最少的輔助變量集對主導(dǎo)變量進(jìn)行建模，實(shí)現(xiàn)對主導(dǎo)變量精簡化的軟測量。本發(fā)明的技術(shù)方案如下一種融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法，其關(guān)鍵在于按如下步驟進(jìn)行步驟一確定與主導(dǎo)變量可能相關(guān)的η個(gè)原始輔助變量，采集η個(gè)原始輔助變量和主導(dǎo)變量的取值，組成樣本集，樣本集大小為m ；將η個(gè)原始輔助變量數(shù)據(jù)寫成矩陣X=[Xl，…，xm]T形式，主導(dǎo)變量數(shù)據(jù)寫成矩陣Y= [Υι ···，ym]T，其中，Xi e RnX1，yi e R，i = l，2, ···, m,并將它們標(biāo)準(zhǔn)化處理；所述標(biāo)準(zhǔn)化處理就是若η個(gè)原始輔助變量數(shù)據(jù)寫成矩陣
權(quán)利要求
1.一種融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法，其特征在于按如下步驟進(jìn)行 步驟一確定與主導(dǎo)變量可能相關(guān)的η個(gè)原始輔助變量，采集η個(gè)原始輔助變量和主導(dǎo)變量的取值，組成樣本集，樣本集大小為m ； 將η個(gè)原始輔助變量數(shù)據(jù)寫成矩陣X=[Xl，…，xm]T形式，主導(dǎo)變量數(shù)據(jù)寫成矩陣Y= [Υι …，ym]T，其中，Xi e RnxSyi e R, i = 1,2, ···, m,并將它們進(jìn)行標(biāo)準(zhǔn)化處理；步驟二 融合KPLS和FNN方法分別計(jì)算η個(gè)原始輔助變量的權(quán)重值； 步驟三η個(gè)原始輔助變量組成原始輔助變量序列； 步驟四確定最佳輔助變量集，包括以下步驟 第一步，設(shè)定循環(huán)次數(shù)Ν=η ； 第二步，隨機(jī)從樣本集中選擇P個(gè)樣本作為訓(xùn)練樣本，剩下的m-p個(gè)樣本作為檢驗(yàn)樣本； 第三步，根據(jù)所述訓(xùn)練樣本，利用BP神經(jīng)網(wǎng)絡(luò)建立原始輔助變量序列中所包含變量的非線性模型； 第四步，將所述檢驗(yàn)樣本的原始輔助變量值輸入至所述非線性模型，得到m-p個(gè)檢驗(yàn)樣本對應(yīng)的主導(dǎo)變量預(yù)測值； 第五步，計(jì)算m-p個(gè)檢驗(yàn)樣本預(yù)測值的均方誤差MSE ； 第六步，刪除當(dāng)前原始輔助變量序列中權(quán)重值最小的原始輔助變量，組成新的原始輔助變量序列，并設(shè)定N=N-I,判斷此時(shí)N是否為O : 如果N古O，則回到第三步； 如果N=O，則最小的MSE對應(yīng)原始輔助變量序列即為最佳輔助變量集； 步驟五最佳輔助變量集在步驟四中對應(yīng)的非線性模型即為精簡化軟測量模型。
2.根據(jù)權(quán)利要求I所述的融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法，其特征在于所述融合KPLS和FNN方法計(jì)算某個(gè)原始輔助變量A的權(quán)重值按如下步驟進(jìn)行 (一)利用KPLS算法計(jì)算樣本集的k個(gè)KPLS主元得分向量組成的主元得分矩陣T=Iit1, , tk],按如下步驟進(jìn)行 (I):計(jì)算核矩陣K,其中，K的第ij位元素為Kij=K (Xi, Xj), i, j=l,2,… ⑵中心化核矩陣K—xl xl / IXKXI Im -丄XI,,, Xlm7 其中，Im 為m階單位矩陣，
3.根據(jù)權(quán)利要求I所述的融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法，其特征在于在利用BP神經(jīng)網(wǎng)絡(luò)建立原始輔助變量序列中所包含變量的非線性模型的過程中，輸入層的節(jié)點(diǎn)個(gè)數(shù)等于當(dāng)前原始輔助變量序列中所包含的變量個(gè)數(shù)，隱含層的節(jié)點(diǎn)個(gè)數(shù)通過交互驗(yàn)證法確定，輸出層的節(jié)點(diǎn)個(gè)數(shù)為1，其中，隱含層的傳遞函數(shù)為
全文摘要
本發(fā)明公開了一種融合KPLS與FNN的生產(chǎn)過程主導(dǎo)變量精簡化軟測量方法其特征在于按如下步驟進(jìn)行一，確定與主導(dǎo)變量可能相關(guān)的n個(gè)原始輔助變量，采集n個(gè)原始輔助變量和主導(dǎo)變量取值數(shù)據(jù)并組成樣本集；二，融合KPLS和FNN方法分別計(jì)算n個(gè)原始輔助變量的權(quán)重值；三，組成原始輔助變量序列；四，建模并根據(jù)最小均方誤差MSE確定最佳輔助變量；五，得到精簡化軟測量模型。本發(fā)明能夠在建模效果最佳的基礎(chǔ)上找出含輔助變量個(gè)數(shù)最少的輔助變量集對主導(dǎo)變量進(jìn)行建模，實(shí)現(xiàn)對主導(dǎo)變量精簡化的軟測量。
文檔編號G01D21/00GK102967327SQ20121055163
公開日2013年3月13日 申請日期2012年12月18日 優(yōu)先權(quán)日2012年12月18日
發(fā)明者蘇盈盈, 姚立忠, 顏克勝, 李太福, 胡文金, 王美丹 申請人:重慶科技學(xué)院