一種基於知識融合的在線軟測量方法

2023-05-13 09:29:11

專利名稱：一種基於知識融合的在線軟測量方法
技術領域：
本發明涉及一種在線測量方法，特別是關於一種基於知識融合的在線軟測量方 法。
背景技術：
由於測量技術的局限性，過程控制系統中的一些重要變量是無法或很難進行在線 測量的。這些變量作為系統狀態的關鍵指標，往往只能通過實驗室的離線樣本分析，或者是 使用昂貴的在線分析儀獲得。進行實驗室測量所產生的明顯延遲(經常是數個小時)，將導 致這些測量信號不能作為控制系統的反饋信號，加入到整個控制過程中，這對控制系統的 性能和生產過程的安全性都會產生嚴重的影響。近年來，研究者們開始利用生產過程中所測量到的大量數據建立預測模型，以實 現對未知難測變量的預測。這些模型被稱為軟傳感器，軟測量的概念也由此被提出。其基 本思想是通過測量與主要難測變量相關的，易於測量的次要變量(易測變量)來估計主要 難測變量的輸出。軟測量建模的基本步驟主要包括初始階段、建模階段以及應用階段。其 中，在應用階段，由於過程設備實際上處於動態的系統環境下，因而系統在運行過程中常會 產生緩慢的變化或者是受外界幹擾產生突然的擾動，導致原有模型的預測效果無法得到持 續的保持。舉例來講，機器磨損，測量儀器偏差以及環境變化等外部原因都可能導致系統特 性的變化，即產生數據漂移現象，造成軟測量模型的預測誤差不斷增大。針對上述情況，我們需要在軟測量的應用階段對預測模型進行實時的維護。而在 建模過程中被廣泛使用的機器學習方法是無法直接用於模型維護過程中的，這些機器學習 算法一般無法進行主動的更新，因而只能人為的定期讀取新數據，再使用所有已採集到的 數據進行模型維護。顯然，這種方法費時費力。因而，一種更為有效的模型維護方法是引入 在線學習算法，在生產過程中不斷借鑑最新產生的數據對模型進行更新和調整，使得模型 與真實系統在一定程度上保持一致，以解決這一現實生產中經常出現的問題。能夠用於處理軟測量問題的常用在線學習方法包括基於SVM分塊算法的增量算 法、經驗風險梯度下降的在線算法、最小二乘支持向量機的在線算法以及增量和減量支持 向量機算法等。然而，這些現有的方法大多易於陷入一種兩難選擇之中，即或者是保留所有 的支持向量，但同時隨著數據量的增加，算法的泛化性能和計算效率不斷降低；或者是在模 型維護過程中不斷丟棄樣本，以降低模型複雜度，但同時也造成算法與實際模型的一致性 丟失。這種兩難選擇是目前絕大多數在線學習方法所無法避免的瓶頸問題，也造成了在長 期預測和維護過程中，大多數在線學習方法的預測精度較差，或者訓練時間過長。

發明內容
針對上述問題，本發明的目的是提供一種能夠融合已有的先驗知識，不完全依賴 於樣本，可靠性高，並能夠根據實際樣本信息進行模型實時更新的在線軟測量方法。為實現上述目的，本發明採取以下技術方案一種基於知識融合的在線軟測量方法，其包括以下步驟1)設置一包括數據採集設備、監控計算機以及控制器的測量系統，所 述監控計算機內預設置有一先驗知識計算模塊、一軟測量模型預測模塊、一判定模塊和一 在線學習模型維護模塊；2)將經驗公式y = p(X)中的p(X)表示成一種核函數的線性組合 形式q(x) 其中，K(Si，x)為指定的核函數；Si e Sd, (i = 1，..，d)為基向量，Sd為基向量集； 為一待定參數；3)將式⑴輸入先驗知識計算模塊，迭代計算式⑴中的參數Si，d，βρ
然後輸送給軟測量模型預測模塊；4)在軟測量模型預測模塊中，設初始時刻t = 0，每採 集到一個新樣本的相關易測變量測量值則令t = t+1 ；初始時刻，直接使用步驟3)輸入的 結果q(x)作為初始預測模型fQ(x) 初始預測模型fjx)根據數據採集設備採集到的相關易測變量測量值，對難測關 鍵變量值進行預測，並將預測結果輸送給控制器；其中，二/ ,，Si e sd，(i = 1，..，d)； 5)數據採集設備將t時刻採集到的新樣本相關易測變量測量值Xt輸入軟測量模型預測模 塊，軟測量模型預測模塊根據當前的預測模型fViOO進行新樣本函數值的在線預測，並將 得到的軟測量預測結果Uxt)輸送給控制器和判定模塊；6)判定模塊保存t時刻得到的 預測函數值fVi (xt)，直到數據採集設備採集到t時刻樣本的難測關鍵變量測量值yt，並將 yt輸入判定模塊；判定模塊根據實際的難測變量值yt，判斷預測函數值f^OO的準確性； 如果預測誤差的絕對值沒有超出不敏感誤差帶ε，即|et| = Yt-^1(Xt) I彡ε，則認為當 前模型的預測效果較好，不需進行模型更新，令ft(x) ZfV1(X),返回步驟5)；反之，Iet =
yt-ft-i(xt) I > ε，則將樣本(xt，yt)輸送到在線學習模型維護模塊，繼續進行下-步；7) 在線學習模型維護模塊利用步驟6)中得到的新樣本(xt，yt)，對現有預測模型f^OO進行 維護更新，並將更新後的預測模型ft (χ) 輸送到軟測量模型預測模塊中，替換原有軟測量模型，返回步驟5)。所述步驟7)中，更新後的預測模型，即公式(3)中，為待定參數，求取
的具體步驟如下①針對序貫到達的數據流(Xi，yi)ieN，指定不敏感誤差帶ε，學習 速率n，平衡係數λ，控制函數複雜度的正則化係數γ ；②記初始化時刻的預測假設
f0(x)=扒x) = fAK(s'』x)，其中《 — Λ Si e Sd,即直接採用先驗知識計算 /=11=1aI = Pi 『
模塊的輸出結果作為初始預測模型；計算基向量的dXd維核函數矩陣Kd，Kd的第(i，j)個
元素為K(si，sp ；③讀取新樣本(xt，yt)，根據當前的預測模型表達式L(X)計算得到新樣
本的預測函數值UU = ^>,('^^4)，以及預測誤差值et = ^fV1 (xt)；④構造出d維
=\
向量 Kt = [k(Sl，xt)，. . .，k(sd, xt) ]τ，求解優化問題
5 其中，⑴為基向量&所對應的核函數係數的單位增量；該最小值問題的求解目的 是求取當基向量所對應核函數的線性組合與最新樣本點處核函數的距離最為接近時，即 二者的2-範數距離近似值δ ω最小時，基向量所對應核函數的係數增量θ (t)；計算可得基 向量所對應核函數係數的單位增量向量θ(t) = (Kd+Y IdF1Kt,其中，Id為d維單位矩陣；⑤ 更新基向量所對應核函數的係數，令a,w =(H)C +雙α」+諷，i = 1，...，d ；⑥得
到t時刻的預測函數為/(χ)= 々，將模型更新結果輸出到軟測量模型預測模塊，
j=l
計算流程轉到軟測量模型預測模塊，繼續等待新樣本的到達。所述步驟3)中，在先驗知識計算模塊中，待定參數d和Pi，以及基向量Si的具體 求解步驟如下①使用直觀經驗或者循環尋優的方式，根據經驗公式P(X)的情況，確定核 函數K(Si，X)的類型及參數，指定正則化係數μ，收斂閾值Sf ；②令迭代步數k = 0，記此時 的表達函數q(x)為q。(x) =0，則誤差函數為:r0(x) = ρ (χ)-q0 (χ)；③求出k+1次迭代的基
向量呂時，使誤差函數卜「「^爪^^⑷丨，如果|rk(sk+1)| < ef，則d = k，q(x) = qk(x),
基向量Si的取值集合為Sk，戊=/f),i = 1，…，k，終止迭代；④令Sk+1 = SkU {sk+1}，則構 造出一個(k+1) X (k+Ι)維矩陣Kk+1，Kk+1的第(i，j)個元素為K(Si，Sj)，進而構造出(k+1)
維向量 P(S(k+1)) = [ρ (S1),…，p(Sk+1)]T; 計算向量矩陣 = (Kk+1+μ Ik+1)-1P(S^)j
k+1
其中Ik+1為(k+1)維單位矩陣，令知⑷=火(、x)，其中#叫為向量矩陣β (k+1)的
/=1Pi
第i個元素；⑥令rk+1 (χ) = ρ (χ) -qk+1 (χ)，k = k+1，返回步驟③。本發明由於採取以上技術方案，其具有以下優點1、本發明由於將工業中已有的 經驗公式作為先驗知識融入到軟測量模型預測模塊中，使得本發明並不完全依賴於訓練樣 本，因此，與一般的在線學習方法相比具有更高的預測精度，是一種適用範圍廣，可靠性高 的軟測量模型維護方法。2、本發明由於設置有判定模塊，判定模塊可以將實際的難測變量 值與預測函數值進行比較，以判斷預測模型的準確性，如果預測誤差超出了不敏感誤差帶， 則將新樣本輸送到在線學習模型維護模塊，通過在線學習模型維護模塊不斷更新預測模 型，以得到更準確的預測效果，因此，本發明可以對預測模型進行主動更新和維護，具有很 強的自適應性。3、本發明的在線學習模型維護模塊，不斷將新的預測模型反饋到軟測量模 型預測模塊中，軟測量模型預測模塊可以根據數據採集設備實時採集到的相關易測變量測 量值，在線預測關鍵難測變量測量值，並將難測變量輸送給控制器，使其作為控制系統的反 饋信號，加入到整個控制過程中，提高控制系統的性能和生產過程的安全性。4、本發明充分 利用了先驗知識中所包含的結構特徵，能夠令預測模型在長期的模型維護過程中始終保持 較強的泛化能力，也保證了本發明的預測精度和訓練速度都高於一般的在線學習方法。本 發明構思巧妙，精確實用，可廣泛用於實際測量過程中。


圖1是本發明結構示意圖
圖2是本發明模塊結構示意3是本發明中仿真例的仿真數據示意4是本發明用於仿真例的測量結果示意圖
具體實施例方式下面結合附圖和實施例對本發明進行詳細的描述。本發明基於以下思想通過將工業現場中已有的經驗公式作為先驗知識引入到預 測模型中，一方面利用在線學習方法對預測模型進行自適應的更新完善，另一方面，利用先 驗知識所包含的核心信息保證預測模型在長期的模型維護過程中保持較強的泛化能力和 預測精度。本發明在對難測關鍵變量進行在線軟測量預測的同時，實現了根據實時數據對 預測模型進行自適應更新的功能。本發明包括以下步驟1)如圖1、圖2所示，根據工業現場實際情況，設置一包括數據採集設備1、監控計 算機2以及控制器3的測量系統，監控計算機2內預設置有一先驗知識計算模塊21、一軟測 量模型預測模塊22、一判定模塊23和一在線學習模型維護模塊24。2)根據具體應用環境，選擇確定性的經驗公式y = ρ (χ)，將經驗公式ρ (χ)表示成
一種核函數的線性組合形式q(x)，其具體形式為 其中，K(Si，x)為指定的核函數；Si e Sd, (i = 1，..，d)為基向量(也可以稱為支 持向量)，Sd為基向量集；β i為一待定參數。3)將式(1)作為先驗知識表達式，輸入到先驗知識計算模塊21中，通過先驗知識 計算模塊21，迭代計算式(1)中的參數Si，d，β i，從而確定式(1)的具體表達式，並將式(1) 作為待融合的先驗知識、初始預測模型，輸送給軟測量模型預測模塊22。4)假設初始時刻t = 0，數據採集設備1每採集到一個新樣本的相關易測變量測 量值，則令t = t+Ι。在軟測量模型預測模塊22中，初始時刻，直接使用先驗知識計算模塊 21的輸出結果q(x)作為初始預測模型f0(x)，即 其中，α,(0)= A，Si e Sd，(i = 1，· ·，d)。採用初始預測模型&(χ)進行預測，並將預測結果輸送給控制器3。ft(x)定義為 利用t時刻完整樣本(xt，yt)進行模型更新後的難測關鍵變量預測模型。5)數據採集設備1不斷將新採集到的t時刻樣本的相關易測變量測量值xt，輸送 到軟測量模型預測模塊22中，軟測量模型預測模塊22直接根據當前的預測模型f^OO進 行新樣本函數值的在線預測，並將得到的軟測量預測結果(xt)輸送給控制器3。同時， 軟測量模型預測模塊22也將該時刻根據樣本的相關易測變量測量值Xt得到的預測函數值 ft-i (Xt)，輸送到判定模塊23中。6)判定模塊23保存t時刻得到的預測函數值。(xt)，直到數據採集設備1採集 到t時刻樣本的難測關鍵變量測量值yt，並將yt輸送到判定模塊23中。(為了便於說明，
7本發明僅針對當前樣本難測變量值yt的採集速度總是快於下一個樣本易測變量值的到達 速度的情況進行具體流程說明。對於不符合上述假設的情況，判定模塊23將以隊列形式儲 存樣本的相關易測變量測量值，等待相應的難測關鍵變量測量值到達後，才可啟動針對該 樣本的判定更新環節。在判定模塊23的等待期間，軟測量模型預測模塊22中的預測模型 保持不變。)判定模塊23根據實際的難測變量值yt，判斷預測函數值。(xt)的準確性。如果 預測誤差超出了不敏感誤差帶ε，即估計誤差的絕對值|et| = Yt-^1(Xt) I > ε，則將該 樣本引入在線學習算法對預測模型進行更新，將樣本(xt，yt)輸送到在線學習模型維護模 塊24，進行步驟7)；否則，可以認為當前模型的預測效果較好，不需進行模型更新，令ft (x) =。(x)， 返回步驟5)，計算流程轉到軟測量模型預測模塊22中，繼續進行難測變量的在線預測，將 預測函數值不斷輸送給控制器3，並等待新樣本的到達。7)在線學習模型維護模塊24利用步驟6)中得到的新樣本(xt，yt)，對現有預測模 型ft— (χ)進行維護更新，並將更新後的預測模型
(3) 輸送到軟測量模型預測模塊22中，替換原有軟測量模型，返回步驟5)。之後，隨著在線學習模型維護模塊24不斷將新的預測模型反饋到軟測量模型預 測模塊22，軟測量模型預測模塊22所依據的軟測量模型也將不斷更新，以得到更準確的預 測效果。更新後的預測模型，即公式(3)中，為待定參數；參數d和基向量Si由步驟2) 中的先驗知識計算模型21確定。求取《,(')的具體步驟如下①針對序貫到達的數據流(Xi，yi)ieN，指定不敏感誤差帶ε，學習速率η，平衡系 數λ，正則化係數Υ ；②記初始化時刻的預測假設
其中
α;0)= β, ,Si e Sd，即直接採用先驗知識計算模塊21的輸出結果作為初始預測模型。計算基 向量的dXd維核函數矩陣Kd，Kd的第(i，j)個元素為K(Si，Sj)；③讀取新樣本(xt，yt)，根據當前的預測模型表達式fViOO計算得到新樣本的預
測函數
以及預測誤差值et = Yt-^1(Xt)。
④構造出d維向量Kt = [k(Sl，xt)，· · ·，k(sd, xt) ]τ，求解優化問題
(4)其中，為基向量Si所對應的核函數係數的單位增量。該最小值問題的求解目 的是求取當基向量所對應核函數的線性組合與最新樣本點處核函數的距離最為接近時， 即二者的2-範數距離近似值δω最小時，基向量所對應核函數的係數增量θ( )。
計算可得基向量所對應核函數係數的單位增量向量θ (t) = (Kd+Y IdF1Kt,其中，Id 為d維單位矩陣，Y為控制函數複雜度的正則化係數。⑤更新基向量所對應核函數的係數，令<=(1-々《+雙《」+；7明，i =
1，...，d;其中，設定學習速率η，可以控制預測模型的更新速度，防止樣本中的尖銳噪聲 令模型產生較大偏差。同時，為了充分利用經驗公式所包含的高頻核心信息，防止預測模型 受誤差影響導致的模型偏離，又設定了平衡係數λ，以均衡經驗公式與在線預測模型的結果。⑥得到t時刻的預測函數為
將模型更新結果輸出到軟測量
模型預測模塊22，計算流程轉到軟測量模型預測模塊22，繼續等待新樣本的到達。上述步驟3)中，在先驗知識計算模塊21中，待定參數d和Pi，以及基向量&的 具體求解步驟如下①使用直觀經驗或者循環尋優的方式，根據經驗公式P(X)的情況，確定核函數 K(Si，χ)的類型及參數，指定正則化係數μ，收斂閾值ε f ；②令迭代步數k = 0，記此時的表達函數q(x)為qQ(X) = 0，則誤差函數為rQ(X) =P (χ) -Q0 (X)；③求出k+Ι次迭代的基向量sk+1，使誤差函數^ (I1)I = Inph卜)|，如果|rk(sk+1) < ε f，則d = k，q(x) = qk(x)，基向量Si的取值集合為Sk，/ ,i = 1，…，k，終止迭 代；④令Sk+1 = Sk U {sk+1}，則構造出一個(k+1) X (k+1)維矩陣 Kk+1，Kk+1 的第(i，j) 個元素為 K(Si，Sj)，進而構造出(k+1)維向量 p(S(k+1)) = [ρ (S1), -,p(sk+1)]T；⑤計算向量矩陣β (k+1) = (Kk+1+y Ik+^pG05+1))，其中Ik+1為(k+1)維單位矩陣， 令
其中Y叫為向量矩陣3 (k+1)的第土個元素； ⑥令rk+1 (χ) = ρ (χ) -qk+1 (χ) , k = k+1，返回步驟③。下面列舉一具體仿真例對本發明的應用進行詳細描述。本例中，以[1，12]區間上的sine函數(y = sin (χ)/χ)為系統性能的基本變化曲 線，在其基礎上添加標準差為0. 1的白噪聲，模擬實際問題中的噪聲，根據實際工業現場情 況，設計時間序列和隨機序列的混合序列(簡稱混合序列)，產生仿真數據。混合序列的數據產生情況，如圖3所示，在[1，12]區間上產生500個數據，根據產 生順序依次編號為1 500。樣本點的色系由藍到紅代表數據點序號從小到大的變化趨勢。 假設系統的工作點每隔100個時間單位(即每產生100個數據之後)發生一次等距的數據 漂移，漂移的方向為使自變量χ增大的方向。數據點的分布服從以工作點為均值，標準差為 0.8的標準正態分布。圖3(a)中的因變量(待測值y)完全符合sine函數，圖3 (b)中的因 變量(待測值y)則在sine函數的基礎上添加了標準差為0. 1的白噪聲。兩圖中數據的易 測變量值χ —一對應，完全相同。在實際仿真中，本文使用圖3 (b)中的有噪聲數據進行在線學習，同時使用圖3 (a) 中的相對應的無噪聲的數據進行預測誤差計算，以得到更為真實的誤差估計結果。
使用以上人工數據對融合經驗公式的在線學習算法進行仿真。仿真步驟及參數設 定情況如下(1)採用[1，12]區間的sine函數作為經驗公式，選擇高斯型核函數
K(t,x) = exV -ti，指定正則化係數μ =0.01，不敏感誤差帶ε =0.05，收斂閾值 V/
￡f = 0.05，學習速率η =0.5，平衡係數λ =0.7。(2)採用含噪聲的樣本序列進行仿真，序貫加入樣本點進行預測和模型更新，即每 得到一個新樣本，使用原有模型對其進行預測，根據真實值計算預測偏差，再利用該樣本更 新預測模型，繼續重複這一過程，直到500個樣本點全部預測完畢。(3)對誤差進行分析和比較，在時間序列、隨機序列、混合序列三種情況下的仿真 結果，如圖4所示。比較常用的在線學習方法與利用本發明進行測量的預測情況，各種方法的預測均 方根誤差值，如下表所示五種在線學習方法的誤差比較 - 可見，採用本發明進行在線軟測量預測，其測量精度與先驗常用方法相比將有很 大提高。上述各實施例僅用於說明本發明，其中各部件的結構、連接方式等都是可以有所 變化的，凡是在本發明技術方案的基礎上進行的等同變換和改進，均不應排除在本發明的 保護範圍之外。
權利要求
一種基於知識融合的在線軟測量方法，其包括以下步驟1)設置一包括數據採集設備、監控計算機以及控制器的測量系統，所述監控計算機內預設置有一先驗知識計算模塊、一軟測量模型預測模塊、一判定模塊和一在線學習模型維護模塊；2)將經驗公式y＝p(x)中的p(x)表示成一種核函數的線性組合形式q(x) p ( x )q ( x )= i=1 d iK ( si , x )--- ( 1 ) 其中，K(si，x)為指定的核函數；si∈Sd，(i＝1，..，d)為基向量，Sd為基向量集；βi為一待定參數；3)將式(1)輸入先驗知識計算模塊，迭代計算式(1)中的參數si，d，βi，然後輸送給軟測量模型預測模塊；4)在軟測量模型預測模塊中，設初始時刻t＝0，每採集到一個新樣本的相關易測變量測量值則令t＝t+1；初始時刻，直接使用步驟3)輸入的結果q(x)作為初始預測模型f0(x) f 0 ( x )= i=1 d a i (0) K ( si , k )=q ( x )= i=1 d iK ( si , k )--- ( 2 ) 初始預測模型f0(x)根據數據採集設備採集到的相關易測變量測量值，對難測關鍵變量值進行預測，並將預測結果輸送給控制器；其中，si∈Sd，(i＝1，..，d)；5)數據採集設備將t時刻採集到的新樣本相關易測變量測量值xt輸入軟測量模型預測模塊，軟測量模型預測模塊根據當前的預測模型ft 1(x)進行新樣本函數值的在線預測，並將得到的軟測量預測結果ft 1(xt)輸送給控制器和判定模塊；6)判定模塊保存t時刻得到的預測函數值ft 1(xt)，直到數據採集設備採集到t時刻樣本的難測關鍵變量測量值yt，並將yt輸入判定模塊；判定模塊根據實際的難測變量值yt，判斷預測函數值ft 1(xt)的準確性；如果預測誤差的絕對值沒有超出不敏感誤差帶ε，即|et|＝|yt ft 1(xt)|≤ε，則認為當前模型的預測效果較好，不需進行模型更新，令ft(x)＝ft 1(x)，返回步驟5)；反之，|et|＝|yt ft 1(xt)|＞ε，則將樣本(xt，yt)輸送到在線學習模型維護模塊，繼續進行下一步；7)在線學習模型維護模塊利用步驟6)中得到的新樣本(xt，yt)，對現有預測模型ft 1(x)進行維護更新，並將更新後的預測模型ft(x) f t ( x )= i=1 d a i (t) K ( si , k )--- ( 3 ) 輸送到軟測量模型預測模塊中，替換原有軟測量模型，返回步驟5)。FSA00000244230800013.tif
2.如權利要求1所述的一種基於知識融合的在線軟測量方法，其特徵在於所述步驟 7)中，更新後的預測模型，即公式(3)中，為待定參數，求取的具體步驟如下①針對序貫到達的數據流U」Yi) ，指定不敏感誤差帶ε，學習速率η，平衡係數 λ，控制函數複雜度的正則化係數Y ；②記初始化時刻的預測假設義㈨；！^^^，力巧⑷^玄/^⑷^，其中(ω_ η Si e Sd,即直接採用先驗知識計算模塊的輸出結果作為初始預測模型；計算基向量的dXd 維核函數矩陣Kd，Kd的第(i，j)個元素為K(Si，Sj)；③讀取新樣本(xt，yt)，根據當前的預測模型表達式L1(X)計算得到新樣本的預測函數值乂―丨( )= yZaf^Kisi,xt)，以及預測誤差值et = (xt)； /=1④構造出d維向量Kt= [k(Sl，xt)，. . .，k(sd, xt) ]τ,求解優化問題 其中，化⑴為基向量Si所對應的核函數係數的單位增量；該最小值問題的求解目的是 求取當基向量所對應核函數的線性組合與最新樣本點處核函數的距離最為接近時，即二者 的2-範數距離近似值δ (t)最小時，基向量所對應核函數的係數增量θ (t)；計算可得基向量所對應核函數係數的單位增量向量θω= (Kd+YIdF1Kt,其中，IdSd 維單位矩陣；⑤更新基向量所對應核函數的係數，令W)=(1-幻彳)+雙一「1)+諷爐)，i = 1，...，d；⑥得到t時刻的預測函數為夂，將模型更新結果輸出到軟測量模型 預測模塊，計算流程轉到軟測量模型預測模塊，繼續等待新樣本的到達。
3.如權利要求1或2所述的一種基於知識融合的在線軟測量方法，其特徵在於所述 步驟3)中，在先驗知識計算模塊中，待定參數(！和I，以及基向量Si的具體求解步驟如下①使用直觀經驗或者循環尋優的方式，根據經驗公式P(x)的情況，確定核函數K (Si, χ) 的類型及參數，指定正則化係數μ，收斂閾值ε f ；②令迭代步數k= 0，記此時的表達函數q(x)為Citl(X) =0，則誤差函數為Γ(1(Χ)= ρ (χ)-q0 (χ)；③求出k+Ι次迭代的基向量sk+1，使誤差函數M =⑷I，如果|rk(Sk+l) < ￡」則(1 = 1^，900=91;00，基向量&的取值集合為51;，/ ,=/^),1 = 1，."，k，終止迭 代；④令Sk+1= Sk U {sk+1}，則構造出一個(k+1) X (k+1)維矩陣Kk+1，Kk+1的第(i，j)個元 素為 K(Si，Sp，進而構造出(k+1)維向量 p(S(k+1)) = [ρ (S1), -,p(sk+1)]T；⑤計算向量矩陣β(k+1) = (Kk+1+μ Ik+1) ^(S0^)，其中1時為(k+1)維單位矩陣，令k+l，其中γω)為向量矩陣β (k+1)的第i個元素； /=/Λ⑥令rk+1(x) =p(X)-qk+1(X)，k = k+1，返回步驟③。
全文摘要
本發明涉及一種基於知識融合的在線軟測量方法，其包括以下步驟1)設置一測量系統；2)選定經驗公式作為先驗知識表達式；3)將先驗知識表達式輸入先驗知識計算模塊，經過處理後，作為初始預測模型輸入軟測量模型預測模塊；4)初始時刻，軟測量模型預測模塊直接使用初始預測模型對難測關鍵變量進行預測，並將預測結果輸入控制器；5)軟測量模型預測模塊根據採集到的易測變量測量值預測難測關鍵變量值，並輸入控制器和判定模塊；6)判定模塊根據實際的難測變量值，判斷預測值的準確性；如果預測誤差沒有超出不敏感誤差帶，返回步驟5)；否則進行下一步；7)在線學習模型維護模塊利用上步得到的新樣本，對現有預測模型進行維護更新，並替換軟測量模型預測模塊中的軟測量模型，返回步驟5)。
文檔編號G06N99/00GK101916394SQ201010263100
公開日2010年12月15日 申請日期2010年8月25日 優先權日2010年8月25日
發明者侯冉冉, 徐文立, 王煥鋼 申請人:清華大學