近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法...近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法,称为DSS-ELWPLS(Diverse Subspaces and Similarity measures based Ensemble Locally Weighted Partial Least Squares).该方法以局部加权偏最小二乘算法(LWPLS)为基学习器,通过输入特征扰动和相似度扰动以激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型.随后采用Stacking集成学习策略,实现即时学习基模型的融合.通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了DSS-ELWPLS方法的有效性和优越性.展开更多
目的针对食品发酵生产过程中关键参数难以在线检测,不能对其实施优化控制的问题。本研究提出一种即时学习和集成学习相结合的动态软测量建模方法。方法首先采用局部加权偏最小二乘算法(locally weighted parital least squares,LWPLS)...目的针对食品发酵生产过程中关键参数难以在线检测,不能对其实施优化控制的问题。本研究提出一种即时学习和集成学习相结合的动态软测量建模方法。方法首先采用局部加权偏最小二乘算法(locally weighted parital least squares,LWPLS)作为基础建模方法,再运用滑动时间窗技术(moving window,MW)缩小样本查询范围。采用Bagging算法重采样窗口内的样本集形成多个子训练集,同时引入相似度阈值筛选出具有多样性的子训练集,最后采用加权平均法融合各个子模型的输出值。结果通过海洋碱性蛋白酶发酵实验表明,所提的MW-ELWPLS软测量建模方法能够对关键参数进行较准确的实时预测,预测的均方根误差在0.2~0.3之间,决定系数R2在0.95左右,平均绝对误差在0.2左右。结论MW-ELWPLS软测量建模方法在预测精度上表现优秀,在线预测实时性较高,完全能满足工业发酵生产的实际应用需求。展开更多
文摘近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法,称为DSS-ELWPLS(Diverse Subspaces and Similarity measures based Ensemble Locally Weighted Partial Least Squares).该方法以局部加权偏最小二乘算法(LWPLS)为基学习器,通过输入特征扰动和相似度扰动以激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型.随后采用Stacking集成学习策略,实现即时学习基模型的融合.通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了DSS-ELWPLS方法的有效性和优越性.
