證據(jù)理論及熱工對象無樣本參量認知建模研究.pdf

1、針對工程中一類過程參量測量問題,論文提出了無樣本參量認知建模的研究課題。無樣本參量認知是指對真實存在、具有明確物理意義、但無法在線實時監(jiān)測且(在一般條件下)無法獲得離線采樣樣本的過程參量當前狀態(tài)(值)的一種預測或評估。實現(xiàn)無樣本參量認知,有利于實現(xiàn)復雜設備的在線優(yōu)化、在線可控,從而提高設備的生產(chǎn)能力并降低能耗。
　　 論文研究內(nèi)容涉及到證據(jù)理論研究和建模方法研究。從這兩個方面入手,圍繞無樣本參量認知的實現(xiàn)進行了如下主要研究工作:

2、
　　 (1)DS融合法則局限于證據(jù)獨立性假設和證據(jù)融合悖論。針對獨立性假設,基于廣義范數(shù)提出了廣義范數(shù)融合法則。該融合法則能夠通過調(diào)整廣義范數(shù)中的相關結構參數(shù)解除獨立性假設約束。針對證據(jù)融合悖論,基于“沖突來源于信息源或信息的失效表征"觀點,提出鄰域一致性度量概念?；谠摱攘?通過對證據(jù)進行折現(xiàn)以減小沖突性產(chǎn)生。此外,基于一種離散化策略和廣義范數(shù)融合法則,解決了模糊證據(jù)融合問題。
　　 (2)證據(jù)k-NN分類器存在局限

3、性:1)歐氏距離度量不具有自適應性,2)證據(jù)表示形式不具有一般性,3)不合理的參數(shù)優(yōu)化準則,4)使用TBM與法則(即非標準化的DS融合法則)的局限性。針對這些局限性,論文提出了三種變體證據(jù)k-NN分類器:基于自適應度量空間和參數(shù)優(yōu)化化的證據(jù)k-NN分類器,基于廣義T范數(shù)與法則的證據(jù)k-NN分類器,以及魯棒自適應證據(jù)k-NN分類器。UCI數(shù)據(jù)集驗證表明,與經(jīng)典的證據(jù)k-NN相比,這3種變體證據(jù)k-NN分類器具有較高的分類精度。最重要的是,

4、后兩種變體分類器能夠適用于證據(jù)非獨立情況下的特征分類。
　　 (3)基于鄰域決策的鄰域粗糙集屬性約簡算法存在局限性:1)忽略了鄰域內(nèi)樣本之間的距離信息,2)對鄰域大小較為敏感,和3)容易產(chǎn)生“無措行為”。針對這些問題,論文提出了一種基于鄰域證據(jù)決策誤差率的粗糙集屬性約簡算法。UCI數(shù)據(jù)驗證表明,該屬性約簡算法具有較高的分類精度和較好的鄰域大小魯棒性?；谝陨涎芯?論文將證據(jù)理論引入鄰域粗糙集模型,提出了證據(jù)鄰域粗糙集模型,并提出

5、了基于證據(jù)鄰域粗糙集模型的屬性約簡算法。當決策屬性取精確值時,證據(jù)鄰域粗糙集模型退化為鄰域粗糙集模型。
　　 (4)論文對無樣本參量認知建模方法進行了系統(tǒng)的研究?；谧C據(jù)鄰域粗糙集模型屬性約簡算法,獲得無冗余的認知模型輸入變量；基于多模型策略及證據(jù)理論,提出了一種認知模型結構,即:證據(jù)回歸多模型；基于魯棒自適應證據(jù)k-NN分類器,提出了一種證據(jù)回歸多模型結構參數(shù)辨識策略。以UCI中的MPG數(shù)據(jù)集為示例,演示了證據(jù)回歸多模型建模過

6、程。結果表明,證據(jù)回歸多模型具有較高的預測精度。證據(jù)回歸多模型較其他先進模型具有突出優(yōu)點:能夠處理不精確、不確定、不可靠和沖突性信息,能夠有效反映樣本集的不確定性分布,具有較豐富的輸出結果表示形式。當學習樣本集中的輸出部分退化為精確數(shù)值時,證據(jù)回歸多模型通過簡化可以退化為一般形式的回歸模型用于處理精確信息。這是證據(jù)回歸模型的又一突出特點。
　　 (5)以火電廠制粉系統(tǒng)鋼球磨煤機為實際研究對象,研究無樣本參量料位的在線認知。無樣本

7、參量認知的實現(xiàn)取決于無樣本參量知識的有效表征和認知模型的建立。為了有效的表征無樣本參量,基于專家知識和運行數(shù)據(jù),論文提出了一種數(shù)據(jù)和知識驅(qū)動的樣本構建策略。該策略可用于實現(xiàn)以不精確、不確定信息形式表征無樣本參量知識的學習樣本的構建?；谧C據(jù)回歸多模型和已構建的學習樣本集,實現(xiàn)了料位的在線認知。通過專家知識分析、模型預測結果對比分析、現(xiàn)場應用分析,證明了證據(jù)回歸多模型預測結果的可靠性。
　　 (6)區(qū)間證據(jù)中,區(qū)間信度賦值容易出現(xiàn)