基于非线性偏鲁棒M-回归的萃余液pH值软测量

提出了一种径向基函数网络(Radial basis functio nnetworks,RBFNs)与偏鲁棒M-回归(Partial robust M-regression,PRM)相结合的非线性PRM(Nonlinear PRM,NLPRM)建模方法,用以解决鲁棒非线性系统建模问题.该方法首先通过RBF变换获得扩展的输入数据矩阵;接下来PRM算法通过反复迭代计算,自适应地为变换后的数据分配不同的连续权值,用以克服离群点对模型的影响.本文通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金萃取过程萃余液pH值软测量建模问题,获得了相比于偏最小二乘法(Partial least squares,PLS)、PRM以及RBF-PLS方法更高的预测精度.

基于核偏鲁棒M-回归的间歇反应过程混合模型辨识

提出了一种混合模型两步辨识策略,用以解决间歇反应过程的建模问题,并能够有效融合先验知识及过程数据信息。该策略将混合模型的同步辨识分解成为两个独立的步骤,首先确定混合模型的结构,并利用Tikhonov正则化方法实现间歇反应过程反应速率的精确估计;接下来采用核偏鲁棒M-回归(kernel partial robust M-regression,KPRM)算法建立过程变量与反应速率间的经验模型,从而有效抑制过程数据中离群点的影响。利用半间歇过程仿真实验对所提出的策略进行验证,获得了相比于传统方法更高的估计及预测精度。

基于偏鲁棒M-回归的间歇过程离群点检测

以多元统计分析技术为核心的间歇过程建模、在线监测逐渐成为过程工业的关注焦点,然而过程数据中存在的大量离群点将直接影响上述方法的可靠性,为此提出了一种基于偏鲁棒M-回归的间歇过程离群点检测方法.首先基于极大相关熵估计建立鲁棒预测模型;然后利用偏鲁棒M-回归算法计算模型的回归系数;最后采用Hampel识别器分析最终的权值,从而实现离群点的检测.将所提方法应用于某间歇反应过程,实验结果验证了方法的有效性.

基于核密度估计的核偏鲁棒M-回归建模方法及应用

提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输入变量空间异常点),利用残差和核密度函数识别高残差点(输出变量空间异常点),无需反复迭代便可以为样本赋予合适权重,有效地提高了建模速率。通过函数仿真和实际工业仿真,证明了所提出的方法比标准的核偏鲁棒M-回归算法有更好的鲁棒性和更高的建模效率。

基于样条变换偏鲁棒M–回归的电站热力过程数据检验

提出基于样条变换偏鲁棒M–回归(partial robust M-regression of splines,PRMS)的电站热力过程数据检验方法。首先通过样条变换将原测量数据间的非线性关系转化为拟线性关系;再采用偏鲁棒M–回归方法对经变换后的数据进行加权迭代,建立具有鲁棒性的非线性数据检验回归模型;然后采用测量检验法检验数据,用模型预测值对数据进行重构。该方法不仅能够克服变量间的多重相关性,消除各类离群点对模型的影响,并且具有较高的预测精度和计算效率。选用某300 MW机组热力系统作为算例,结果表明该方法能够进行有效的数据检验和数据重构。