助训练策略下的多模型软测量建模

由于复杂工业过程中存在强非线性、多阶段耦合以及有标签样本数量偏少的情况,传统的全局软测量模型难以精确描述整个过程。为此,提出一种助训练策略下的多模型软测量建模方法。该方法采用模糊C均值聚类算法挖掘样本集中的相似性样本并建立若干子模型;通过引入助训练策略,形成基于主、辅学习器的协同训练框架,并设计置信度评估机制淘汰误差样本的同时扩充子模型的建模空间;进而将模糊隶属度作为D-S证据理论的概率分配函数计算出子模型权重,对子模型的输出进行融合以得到最终的模型预测结果。通过对脱丁烷塔工业过程的实际数据进行建模仿真,结果表明此模型具有良好的预测性能。

助训练框架下的半监督软测量建模方法

为了充分利用工业过程中大量无标签样本信息,并减少过程的不确定因素对无标签样本质量的影响,提出一种助训练框架下的半监督孪生支持向量回归软测量建模方法。采用孪生支持向量回归机构建主学习器,对高置信度无标签样本添加伪标签;同时,基于K近邻算法构建辅学习器,最大化学习器在近邻样本集上的均方误差,经过此项指标筛选后的待处理样本集包含了更多的数据信息;主、辅学习器二者相辅相成,一定程度上提高了模型的泛化性;再利用所构建的助训练框架提高样本利用率后得到预测模型,实现对无标签样本信息的充分挖掘。通过对脱丁烷塔工业过程中的实际数据进行建模仿真,所得结果表明此模型具有良好的预测性能。