基于JIT-RVC算法的软测量的研究及其应用

针对传统JIT(Just-in-time)算法单纯以距离为数据选择的缺陷,以及局部模型鲁棒性差,稳定性不强的特点,文中一方面提出了与Jolliffe参数相结合的鲁棒最近相关算法,使得JIT算法能够在离群点出现的情况下正确的选择建模数据,另一方面,还将合成随机变系数概率模型算法(Ensemble RVC)作为JIT算法的局部模型构成了JIT-RVC算法,于此强化了传统JIT算法的非线性逼近能力和鲁棒性。最后,通过强烈干扰情况下的污水生化处理的BOD_5软测量预测仿真结果证明了算法的有效性,特别要指出的是相较于JIT-PLS算法,JIT-RVC算法的RMSE指标减少了55%,而相关系数提高了53%。