专利名称：基于独立子空间虚假邻点判别的混合辅助变量的分离及降维的制作方法
技术领域：
本发明属于软测量技术领域，具体涉及一种基于独立子空间虚假邻点判别的混合辅助变量的分离及降维方法，用于指导混合辅助变量的分离及复杂软测量模型的降维。
背景技术：
工业生产中一些关键参数以常规的测量手段往往不能准确得到，采用软测量技术可有效地解决这个问题。然而，软测量方法的原始辅助变量数目冗余庞杂，呈现出混合信号的特点，导致模型的复杂度随原始辅助变量的增加而呈指数增长，出现模型的维度灾难问题。因此，如何选择原始辅助变量的最优特征子集，使其含较少的辅助变量数量，同时又能够尽可能地保持原来完整数据集的多元结构，成为了软测量中辅助变量选择、降低信息冗余的关键。由于辅助变量通常是多因素的混杂信号，在原始特征空间很难进行原始特征约简。本发明提出的基于独立子空间虚假邻点判别的软测量原始混合辅助变量的分离策略，首先利用ICA进行原始特征的独立成分分析，去除混杂信号间的高阶冗余并提取独立分量，将原始特征空间映射成独立特征子空间；接下来，受高维相空间混沌运动轨迹恢复的启示，对虚假最近邻点法进行逆向分析，在特征子空间利用FNN进行余弦测度的判别，通过计算原始特征参量剔除前后的余弦测度，可以有效地剔除冗余特征，降低模型复杂度。为原始辅助变量的选择，减少检测系统中传感器的数目提供一种有效的方法。
发明内容
本发明的目的 在于提供基于独立子空间虚假邻点判别的混合辅助变量的分离及降维方法，能够在建模效果最佳的准则上找出独立的辅助变量，实现对主导变量软测量的降维。本发明的技术方案如下:基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其关键在于按如下步骤进行:步骤一:确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量的取值，组成样本集，样本集大小为m ；将n个原始辅助变量数据写成矩阵X= [Xl，…，Xi,…XdJt形式，主导变量数据写成矩阵 Y =Iiy1,…，yi;…，ym]T,其中，Xi G RnX1，yi G R，i = 1，2,…，m,并将 X, Y 进行标准化处理；步骤二:基于独立子空间虚假邻点判别的方法，主要是在独立成分分析ICA(Independent Components Analysis)的基础上，借助虚假最近邻点 FNN(FalseNearest Neighbors)方法,分别计算n个原始辅助变量的权重值,包括两部分:(一 )混合辅助变量的独立成分分析ICA第一步:输入数据X = [X1, Xi,…Xm]T, Xij 是一个样本，i = 1,2,…，n,j =1，2，…，m ;第二步:数据中心化A = X11 - Xlj ;第三步:由&构成中心化数据矩阵;^，计算文的协方差Cx -.CX = E{XTX);第四步:计算协方差Cx的特征值X j和特征向量Si:cxai = A ；第五步:计算白化矩阵M:M = D_1/2VT，D为特征值入i组成的对角阵，V为特征向量Bi组成的矩阵；第六步:对中心化后的数据进行白化:I = M$ ;第七步:初始化分离矩阵W, W由Wi构成,其中所有的Wi都具有单位范数，i = I,2，…，m;第八步:更新
权利要求
1.基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于按如下步骤进行: 步骤一:确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量的取值，组成样本集，样本集大小为m ； 将n个原始辅助变量数据写成矩阵X= [Xl，…，Xi,…XiJt形式，主导变量数据写成矩阵 Y=[yi，-, Yi,…，ym]T，其中，Xi G RnX1，yi G R，i = 1，2，…，m，并将 X，Y 进行标准化处理； 步骤二:基于独立子空间虚假邻点判别的方法，主要是在独立成分分析ICA(Independent Components Analysis)的基础上，借助虚假最近邻点 FNN(FalseNearest Neighbors)方法,分别计算n个原始辅助变量的权重值； 步骤三:按照权重值，将n个原始辅助变量组成原始辅助变量序列； 步骤四:确定最佳辅助变量集； 步骤五:以步骤四中对应的最佳辅助变量集为自变量对系统进行最小二乘回归建模，得到混合辅助变量的分离及降维模型。
2.根据权利要求1所述的基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于步骤二中的独立子空间虚假邻点判别的辅助变量权重判别方法，包括两部分: (一)混合辅助变量的独立成分分析ICA 第一步:输入数据 X = [X1,…，Xi,."Xm]1, Xij 是一个样本，i = 1,2,…，n, j = I,2,…，m ; 第二步:数据中心化&
3.根据权利要求1所述的基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于步骤四中确定最佳辅助变量集，按如下步骤进行: 第一步，设定循环次数N = n ; 第二步，随机从样本集中选择P个样本作为训练样本，剩下的m-p个样本作为检验样本； 第三步，根据所述训练样本，利用最小二乘回归建立当前的辅助变量序列中所包含变量的非线性模型； 第四步，将所述检验样本当前的辅助变量值输入至所述非线性模型，得到m-p个检验样本对应的主导变量预测值； 第五步，计算m-p个检验样本预测值的均方误差MSE ； 第六步，删除当前原始辅助变量序列中权重值最小的原始辅助变量，组成新的原始辅助变量序列，并设定N = N-1，判断此时N是否为0: 如果N古0，则回到第三步； 如果N = 0，则最小的检验样本预测值的均方误差MSE对应原始辅助变量序列即为最佳辅助变量集。
全文摘要
本发明公开了基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于按如下步骤进行一、确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量取值数据并组成样本集；二、通过独立子空间虚假邻点判别，分别计算n个原始辅助变量的权重值；三、组成原始辅助变量序列；四、利用最小二乘回归方法进行建模，并根据最小均方误差MSE确定最佳辅助变量；五、得到分离后的独立信号软测量模型。本发明能够在建模效果最佳的基础上找出含混合辅助变量的变量集进行分离，实现其降维，达到对辅助变量信息的精简，同时降低模型复杂度，提高软测量实效性的目的。
文档编号G06F19/00GK103207945SQ20131006850
公开日2013年7月17日 申请日期2013年3月5日 优先权日2013年3月5日
发明者苏盈盈, 刘兴华, 葛继科, 颜克胜, 曾诚 申请人:重庆科技学院