軟測(cè)量模型泛化能力研究及其應(yīng)用.pdf

1、軟測(cè)量技術(shù)是當(dāng)前過(guò)程控制領(lǐng)域的研究熱點(diǎn)之一，然而隨著工業(yè)過(guò)程的日益復(fù)雜化和人們對(duì)控制質(zhì)量要求的日益提高，傳統(tǒng)的軟測(cè)量技術(shù)越來(lái)越難以得到令人滿(mǎn)意的性能，數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模方法逐漸成為軟測(cè)量技術(shù)的主流?；跇颖緮?shù)據(jù)構(gòu)建的軟測(cè)量模型，其目的在于抽取隱含在樣本數(shù)據(jù)中的知識(shí)或規(guī)律，也就是說(shuō)希望獲得泛化能力較佳的軟測(cè)量模型。本文著重研究具有較佳泛化能力的算法并應(yīng)用于軟測(cè)量模型的構(gòu)建，主要工作及創(chuàng)新包括如下內(nèi)容： ●給出了數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量建模

2、的一般描述，分析了影響軟測(cè)量模型泛化能力的主要因素，從模型復(fù)雜度控制與主動(dòng)學(xué)習(xí)兩個(gè)方面對(duì)提高軟測(cè)量模型泛化能力的方法進(jìn)行研究。 ●針對(duì)普通前向選擇算法的局限，提出一種訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的層次分辨度快速選擇算法。算法基于快速生長(zhǎng)的回歸樹(shù)算法來(lái)構(gòu)建特征集合，特征集合具有層次多分辨度的特點(diǎn)。通過(guò)對(duì)葉子節(jié)點(diǎn)的最小樣本數(shù)pmin及尺度參數(shù)α的優(yōu)化選擇可以構(gòu)建更具代表性的RBF NN中心向量候選集合。為了確定最佳的結(jié)構(gòu)參數(shù)對(duì){Pmin，

3、α}，設(shè)計(jì)了一種結(jié)構(gòu)參數(shù)的自適應(yīng)優(yōu)選策略。為保證模型的泛化能力，引入基于統(tǒng)計(jì)學(xué)習(xí)理論的VM測(cè)度并通過(guò)實(shí)驗(yàn)分析比較說(shuō)明VM測(cè)度作為模型選擇準(zhǔn)則的的有效性。 ●多模型方法在解決復(fù)雜工業(yè)過(guò)程軟測(cè)量建模表現(xiàn)出諸多優(yōu)點(diǎn)，受懶惰學(xué)習(xí)算法思想的啟發(fā)，綜合預(yù)測(cè)平方和準(zhǔn)則、分類(lèi)回歸樹(shù)算法及懶惰學(xué)習(xí)提出一種基于預(yù)測(cè)平方和準(zhǔn)則的RBF NN局部學(xué)習(xí)多模型方法。為了更合理地定位查詢(xún)點(diǎn)的近鄰樣本，提出了一種新的相似性測(cè)度。算法由于基于分而治之的基本思想并

4、綜合考慮了模型選擇與近鄰樣本的參數(shù)估計(jì)，可以保證構(gòu)建的模型具有優(yōu)異的泛化能力，而預(yù)測(cè)平方和準(zhǔn)則的數(shù)值特性保證了算法的實(shí)時(shí)性要求。 ●粒子群算法是一種實(shí)現(xiàn)簡(jiǎn)單、運(yùn)算高效的群體智能算法，在求解大尺度、高維數(shù)優(yōu)化問(wèn)題中具有一定的優(yōu)越性，本文提出了一種改進(jìn)的粒子群優(yōu)化算法一層次聚類(lèi)粒子群優(yōu)化算法（PSOHC）。提出了兩種新穎的應(yīng)用PSO算法優(yōu)化RBF NN的學(xué)習(xí)方法：第一種首先采用對(duì)手受罰的競(jìng)爭(zhēng)學(xué)習(xí)確定合適的隱含層單元數(shù)，然后對(duì)其他參數(shù)

5、進(jìn)行粒子編碼后采用PSOHC算法進(jìn)行求解；第二種通過(guò)矩陣編碼實(shí)現(xiàn)了RBF NN的全結(jié)構(gòu)優(yōu)化學(xué)習(xí)。 ●在許多實(shí)際應(yīng)用環(huán)境，樣本標(biāo)記是一項(xiàng)耗時(shí)耗力的工作，而主動(dòng)學(xué)習(xí)通過(guò)主動(dòng)參與樣本選擇，從而可實(shí)現(xiàn)在同樣泛化能力下學(xué)習(xí)算法所需樣本數(shù)少得多的學(xué)習(xí)效果。基于這一現(xiàn)實(shí)，提出一種基于半監(jiān)督學(xué)習(xí)的RBF NN主動(dòng)學(xué)習(xí)算法，算法綜合了半監(jiān)督學(xué)習(xí)模式及委員會(huì)查詢(xún)主動(dòng)學(xué)習(xí)算法。 ●結(jié)合本文的研究成果，將其分別應(yīng)用于磁流變阻尼系數(shù)軟測(cè)量模型及中