基于集成学习的高斯过程回归软测量建模方法研究

发布时间：2020-12-06 04:17

　　在工业过程中,一些重要的质量变量往往无法通过在线仪表实时测量得到,并且实验室离线分析可能存在比较大的时间滞后性和高成本的情况。软测量技术通过构建易测变量与质量变量间的函数关系,实现对质量变量的在线监测。对于具有非线性、多阶段等特征的工业过程,建立单一结构的全局软测量模型往往会出现泛化能力不强,过程阶段性解释力差等局限。本文研究了基于集成学习的多模型建模方法,通过构造多个简单的局部模型,最后,按照约定的规则对局部模型的输出结果进行融合,得到最终的模型输出。以集成学习思想和高斯过程回归（Gaussian Process Regression,GPR）算法为基础,对现有软测量技术进行了改进,主要取得的成果如下:1)针对实际工业过程呈现非线性、高维度和时变等特点,以及过程的质量变量难以实时监测的问题,利用核主元分析方法（Kernel Principal Component Analysis,KPCA）对采集的过程数据进行非线性的降维处理;基于降维后的主成分重构输入样本集,利用Bagging算法获得若干子样本集,并建立相应的GPR局部模型;最后根据贝叶斯后验概率计算得到各局部模型的权重,进行融合... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

软测量应用结构示意图

图 1-2 集成学习算法的应用示意图根据集成学习方法的整体实现方式，可划分为三部分：个体学习机样本集的学习机的训练、个体学习机的融合。针对这三个部分，国内外研究者进行了与应用，下面将对这三部分做简单的介绍。(1) 个体学习机样本的产生

图 1-5 随机子空间算法(2) 个体学习机的训练对个体学习机采用不同的学习算法，或者对具有差异性的样本子集采用相同的学习训练均可以满足集成学习对个体学习机之间具有差异性的要求，所以个体学习机的训


本文编号：2900708