基于改进随机梯度Boosting算法的软测量建模

发布时间：2018-05-25 01:23

  本文选题：算法 + 计算机模拟　； 参考：《化工学报》2017年03期

【摘要】：在建立复杂化工过程软测量模型时,使用传统的随机梯度Boosting算法(SGB)建模若收缩参数v选取不当会明显降低算法收敛速度,且极易陷入过拟合,难以取得令人满意的泛化效果。为解决这一问题,提出了一种基于SGB集成学习的软测量建模方法,采用高斯过程回归作为基学习器,并针对SGB算法固有的不足,依据每一次迭代中弱学习机的反馈,自适应调整收缩参数v,改善了SGB算法的过度拟合,从而提高了集成模型的估计精度与学习效率。将该方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统SGB建模,该方法具有更高的泛化性能和学习效率。
[Abstract]:In order to solve this problem , this paper proposes a soft measurement modeling method based on SGB integrated learning , which improves the estimation accuracy and learning efficiency of the integrated model . The simulation results show that this method has higher generalization performance and learning efficiency than the traditional SGB modeling .
【作者单位】： 江南大学轻工过程先进控制教育部重点实验室;
【基金】：国家自然科学基金项目(61273070)~~
【分类号】：TQ018;TP181

【相似文献】

相关会议论文 前2条

1 齐志泉;徐义田;宋野;王来生;;具有动态级联结构的在线Boosting算法[A];2009年中国智能自动化会议论文集（第五分册）[东南大学学报（增刊）][C];2009年

2 李霞;何丽云;刘超;;Boosting算法及其在中医亚健康数据分类中的应用[A];中华中医药学会亚健康分会换届选举暨“‘治未病’及亚健康防治论坛”论文集[C];2008年

相关博士学位论文 前1条

1 张振宇;基于Boosting算法的感知无线电决策研究及其应用[D];贵州大学;2009年

相关硕士学位论文 前2条

1 郭光绪;基于间隔分布的Boosting算法研究[D];南京航空航天大学;2012年

2 张玮;基于Boosting算法的某移动通信公司客户离网分析与预测[D];合肥工业大学;2009年

，

本文编号：1931450