基于支持向量機的軟測量儀表建模方法技術

一種基于支持向量機的軟測量儀表建模方法。用于測量技術領域。包括兩個部分：基于支持向量機的軟測量儀表建模輸入與輸出的影射關系由支持向量機來完成，可測變量、對象的控制輸入以及對象可測輸出變量作為軟測量儀表的輸入變量，被估計變量的最優估計為輸出，在具體建立軟測量模型時，從輸入變量中選擇一組與主導變量密切相關的一組二次變量，作為支持向量機的輸入，離線分析計算值或大采樣間隔的測量值作為軟測量模型的輸出；在進行支持向量機軟測量建模時，首先利用正規化參數的后驗分布和極值原理，迭代確定標準支持向量機和最小二乘支持向量機的正規化參數，然后在貝葉斯第三準則下，迭代確定準支持向量機和最小二乘支持向量機的核參數。（*該技術在2024年保護過期，可自由使用*）

【技術實現步驟摘要】

本專利技術涉及到一種軟測量儀表建模方法，具體是一種。用于測量

技術介紹
在現代流程工業中，大量關鍵性過程狀態、產品質量等參數缺乏在線直接測量手段。這以成為制約生產安全、產品質量、質量及生產效益進一步提高的瓶頸。軟測量技術正是解決此類問題的有效途徑。軟測量技術是當前控制領域的一個研究熱點。其核心技術就是建立軟測量儀表的模型，目前軟測量儀表的建模方法主要有機理建模、多元統計方法、卡爾曼濾波方法、人工神經神經網絡、基于模型的回歸方法、模糊邏輯方法等等。這些方法在應用中取得了一定的效果。經文獻檢索發現，Luo J.and Shao H..Softsensing modeling using neural fuzzy system based on rough set theory.《Proceedings of 2002 American control conference》(“應用人工神經網絡的方法建模”，《美國控制會議》，2002，1543-548，Alaska)，該文提到人工神經神經網絡的方法；利用粗糙集確定網絡結構，再用人工神經神經網絡進行建模，有良好的學習性能(學習誤差0.01)，然而其泛化能力不令人滿意(泛化誤差1.5514)。但是目前的方法在不同程度上存在著一些問題，很難照顧到各個方面。這些方法所存在的一些問題嚴重地阻礙了軟測量的進一步的應用。小樣本、非線性及要求模型泛化能力強和魯棒性強等問題是軟測量建模中急需解決的問題。支持向量機是在統計學習理論體系下產生的一種新的、非常有力的通用機器學習方法。它較好地解決了以往困擾很多學習方法的小樣本、非線性、過學習、高維數、局部極小點等實際問題，具有很強的泛化能力。支持向量機則為軟測量儀表的建模提供了新的思路。
技術實現思路
本專利技術的目的是針對現有軟測量建模技術存在的以上不足和缺陷，提供一種，給出了支持向量機最優模型的選擇方法、支持向量機(包括標準支持向量機和最小二乘支持向量機)最優模型的確定方法，使其克服了支持向量機在應用中存在的模型確定困難的問題，為支持向量機的軟測量建模建立了可靠的基礎和依據。本專利技術是通過以下技術方案實現的，本專利技術包括兩個部分第一、基于支持向量機的軟測量建模基于支持向量機的軟測量儀表建模屬于黑盒子一類的模型。輸入與輸出的影射關系可由支持向量機來完成。可測變量X、對象的控制輸入u以及對象可測輸出變量y作為軟測量儀表的輸入變量，被估計變量的最優估計為輸出。在具體建立軟測量模型時，從輸入變量中選擇一組與主導變量密切相關的一組二次變量，作為支持向量機的輸入，離線分析計算值或大采樣間隔的測量值Y作為軟測量模型的輸出，用f(x)=Σi=1laiK(x,xi)+b]]>實現輸入輸出的非線性函數關系。第二、最優模型的選擇在進行支持向量機軟測量建模時，最優模型的選擇是非常關鍵的工作，模型的好壞直接影響著軟測量儀表的性能。軟測量模型中有兩類參數，即正規化參數和核參數(如高斯核中的核寬度σ)，是非常重要的參數。下面給出最優參數選擇方法。(一)確定最優正規化參數正規化參數控制著最小訓練誤差和最小化模型復雜度的某種折衷。該方法將貝葉斯統計和支持向量機算法相結合，給出了確定優正規化參數的方法。貝葉斯推斷理論提供了一種概率手段，為數據建模提供了一個統一的框架。貝葉斯推斷分為三個準則，其中在貝葉斯第二準則下，利用貝葉斯參數推斷模型對正規化參數進行推斷。首先假設訓練數據是獨立同分布的，參數的分布滿足高斯分布。然后根據貝葉斯定理，得到正規化參數的后驗分布，將正規化參數轉換為參數有效數的函數。最后利用極值原理確定標準支持向量機和最小二乘支持向量機的正規化參數。正規化參數λ(λ=1c)]]>的最佳值λMP可用下式求得2λMPEWMP=γ,---(1)]]> 其中EW=12wTw,]]>ED=Σi=1lL(yi,f(xi)),]]>γ＝l-λtraceA-1稱為參數的有效數，wMP表示最優的w，A=∂2(λEW+ED)∂w=▿2(λEw+Σi=1lL(yi,f(xi))).]]>通過(1)即可求出最優正規化參數。在標準支持向量機和最小二乘支持向量機中，γ有著不同的獲得方法。1).標準支持向量機中損失函數分別取L(yi，f(xi))＝ξi，L(f(xi),yi,)=ξi*.]]>計算中ξi和ξi*由下面函數代替ξi＝(yi-f(xi)-ε)·s(yi-f(xi)-ε)，ξi*=(f(xi)-yi-ϵ)·s(f(xi)-yi-ϵ),]]>其中s(u)=11+e-u.]]>因此，A=▿2(λEw+Σi=1l(ξi+ξi*))=λI+B,]]> 其中，、ri＝r(yi-f(xi)-ε)+r*(f(xi)-yi-ε)，r(yi-f(xi)-ε)＝(yi-f(xi)-ε)·s″(yi-f(xi)-ε)+2s(yi-f(xi)-ε)，r*(f(xi)-yi-ε)＝(f(xi)-yi-ε)·s″(f(xi)-yi-ε)+2s(f(xi)-yi-ε). 2).最小二乘支持向量機中損失函數取為 因此A=▿2(λEw+Σi=1lL(yi,f(xi)))=λ·I+B,]]> 所以支持向量機的有效數為 其中，用ρl表示B的特征值，N(N≤l)表示B的非零特征值的數目。(二)確定最優核參數核參數從某種程度上定義了高維特征空間，反映了數據的先驗知識。該方法將貝葉斯統計和支持向量機算法相結合，給出了確定優正規化參數的方法。在貝葉斯第三準則下，支持向量機估計算法的最優核參數選擇可以看作為貝葉斯參數估計理論對核參數的推斷估計，這可以看作模型比較的過程。首先利用貝葉斯定理，得到核參數的后驗分布。然后利用極值原理最大化模型的后驗。最優核參數的確定與采用的核相關，高斯核是一種性能優良的、應用最廣的核，且滿足雪佛萊原則。最后得到高斯核標準支持向量機和最小二乘支持向量機的最優核參數。對于核參數最大化ln p(H/D)，可得最優的核參數。∂lnp(H/D)∂σ=0---(2)]]>對于高斯核核參數的確定方法1)標準支持向量機的最佳核參數σ=|(λMPΣi;j=1l(ai-aj)(a*i-a*j)exp(-(xi-xj)22σ2)(xi-xj)2λMPl-λMPtrac本文檔來自技高網...

【技術保護點】
一種基于支持向量機的軟測量儀表建模方法，其特征在于，包括兩個部分：第一、基于支持向量機的軟測量建模基于支持向量機的軟測量儀表建模屬于黑盒子一類的模型，輸入與輸出的影射關系由支持向量機來完成，可測變量Ｘ、對象的控制輸入ｕ以及對 象可測輸出變量ｙ作為軟測量儀表的輸入變量，被估計變量的最優估計為輸出，在具體建立軟測量模型時，從輸入變量中選擇一組與主導變量密切相關的一組二次變量，作為支持向量機的輸入，離線分析計算值或大采樣間隔的測量值＊作為軟測量模型的輸出，用ｆ（ｘ）＝＊ａ↓［ｉ］Ｋ（ｘ，ｘ↓［ｉ］）＋ｂ實現輸入輸出的非線性函數關系；第二、最優模型的選擇在進行支持向量機軟測量建模時，軟測量模型中有兩類參數，即正規化參數和核參數，是非常重要的參數，最優參數選擇方法如下：（一）確定模型 的最優正規化參數貝葉斯推斷分為三個準則，在貝葉斯第二準則下，利用貝葉斯參數推斷模型對正規化參數進行推斷，首先假設訓練數據是獨立同分布的，參數的分布滿足高斯分布，然后根據貝葉斯定理，得到正規化參數的后驗分布，將正規化參數轉換為參數有效 數的函數，最后利用極值原理確定標準支持向量機和最小二乘支持向量機回歸估計算法的正規化參數；（二）確定模型的最優核參數在貝葉斯第三準則下，支持向量機分類算法的最優核參數選擇屬于貝葉斯參數估計理論對核參數的推斷估計，是模型比較的 過程，首先利用貝葉斯定理，得到核參數的后驗分布，然后利用極值原理最大化模型的后驗，最后得到高斯核標準支持向量機和最小二乘支持向量機回歸估計算法的最優核參數。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：閻威武，邵惠鶴，
申請(專利權)人：上海交通大學，
類型：發明
國別省市：31[中國|上海]