軟測量模型的變量選擇方法研究.pdf

1、近年來軟測量建模技術在化工生產過程中得到了廣泛應用。軟測量技術根據(jù)某一最優(yōu)準則，選擇一組與主導變量相關的且易測量的輔助變量，構造以輔助變量為輸入，主導變量為輸出的數(shù)學模型，實現(xiàn)對主導變量的在線估計。雖然軟測量的核心是建模，但是只有選擇與主導變量密切相關的輔助變量才能建立一個有效的軟測量模型。變量選擇就是在軟測量模型基礎之上，從一系列預先給定的自變量集合中，確定一個在某種準則下可以對主導變量進行最佳描述的變量子集。假定有p個候選輔助變量，

2、總共能產生2p-1個候選模型，即使p不是很大的時候，也能陷入組合爆炸的困境。因此，研究如何快速高效的變量選擇方法，在保證模型預測性能的前提下，盡可能地減少冗余變量，是很有必要的。針對該問題，本論文開展了較為系統(tǒng)化的軟測量變量選擇方法研究。
　　本文的主要研究內容和成果如下:
　　1.將蒙特卡洛無信息變量消除算法(MC-UVE)、遺傳算法和偏最小二乘(GA-PLS)三者相結合，首先利用MC-UVE算法剔除無信息變量，在MC-U

3、VE所選出的有信息變量的基礎上，使用GA算法進一步精選變量子集，提出了MC-UVE-GA-PLS變量選擇方法。最后，通過UCI數(shù)據(jù)對算法的可行性、有效性、模型預測性能及模型復雜度等方面進行驗證，并與All-PLS模型和GA-PLS模型進行了對比，結果表明了算法的可行性與可靠性。
　　2.考慮到變量選擇本質上是數(shù)學優(yōu)化問題，以多元線性回歸(MLR)模型為基礎，通過引入0-1決策變量，利用BIC準則，將變量選擇問題描述成一個嵌套的混合

4、整數(shù)二次規(guī)劃(MIQP)問題，并提出了嵌套式MIQP-MLR變量選擇方法，同時實現(xiàn)特征變量的選擇與預測模型的建立。最后，通過UCI數(shù)據(jù)對所提出的方法進行驗證，并與傳統(tǒng)的逐步回歸(Stepwise)變量選擇方法進行對比，結果驗證了所提出方法的有效性和實用性。
　　3.在基于嵌套式MIQP-MLR變量選擇方法基礎上，進一步將模型結構從MLR拓展至魯棒性更強的支持向量回歸(SVR)模型，并利用改進的MSE準則，將變量選擇描述成一個混合整

5、數(shù)線性規(guī)劃(MILP)問題，提出了MILP-SVR變量選擇方法。所提出的方法不僅不需要事先指定模型中的變量個數(shù)，避免懲罰因子的調節(jié)，而且求解效率更高。此外，SVR模型可以利用核技巧，實現(xiàn)非線性函數(shù)的擬合。最后通過UCI數(shù)據(jù)測試了算法的可行性與有效性，并與All-SVR、Pearson-SVR和RFE-SVR對比，驗證了方法的可靠性。
　　4.將上述變量選擇方法應用至某一工業(yè)精餾塔間苯二胺純度的軟測量建模中，為間苯二胺純度軟測量模型