间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值...间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R^(2))提升至0.9995,有效地提高了预测精度。展开更多
文摘间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R^(2))提升至0.9995,有效地提高了预测精度。
