一种软测量建模方法与流程

本发明实施例涉及一种人工智能技术，尤其涉及一种软测量建模方法。

背景技术：

软测量技术由于操作简单，所以被广泛应用。集成学习作为一种新的软测量方法，具有提高传统单一学习算法测量精度的特点，其基本思想是将多个精度较低的弱学习机集成后得到较强的学习机^[15]。Bagging集成算法首先通过bootstrap即有放回式的抽样方法得到相应数量的子训练集，然后使用子训练集进行对弱学习机的训练，最后将训练弱学习机得到的结果进行集成得到强学习机，并输出最终结果。在训练过程中，各子数据集相互独立，测量子函数并行生成，集成后的最终模型精度以及泛化性能均得到了很大的提高^[16]。

但是无论Bagging集成算法还是其他的软测量方法，都不适用于高维度的数据，如果解决了这一问题，对于一些复杂过程就可以应用软测量技术得到解决。

技术实现要素：

本发明实施例提供一种软测量建模方法，能够实现对高维度数据进行建模测量。所述方法包括：

S110、获取用于所述软测量建模方法的M个建模数据作为待处理数据；

S120、将每个所述建模数据分为数据输入部分x_i和数据输出部分y_i；

S130、设定最大迭代次数T并初始化迭代次数t＝1；

S140、利用抽样方法抽取m个所述建模数据作为训练数据，其中，m≤M；

S150、选择一个单一的智能方法训练所述训练数据得到一个软测量子模型：f_t(x)→y；

S160、计算所述软测量子模型的训练误差、误差率和权重因子；

S170、所述迭代次数t+1；

S180、如果所述迭代次数t小于等于所述最大迭代次数T，则返回步骤S140；

S190、根据T个所述软测量子模型得到所述软测量建模方法的模型。

进一步地，，在S120中还包括：

S121、计算所述建模数据的所述数据输出部分的维度数R；

S122、设定所述建模数据的每个所述数据输出部分的维度对应的阈值其中，

进一步地，所述软测量子模型的所述训练误差公式为：

其中，为第t次迭代时第i个所述训练数据的所述数据输出部分的第r维对应的训练误差，为第t次迭代时第i个所述训练数据通过所述第t次迭代时软测量子模型计算得出的所述数据输出部分的第r维对应的实验值，为第i个所述训练数据的所述数据输出部分的第r维对应的数据真实值，为第t次迭代时所述数据输出部分的第r维数据的所述真实值与所述实验值的标准差，m为所述训练数据的个数。

进一步地，所述软测量子模型的所述误差率公式为：

其中，为第t次迭代时所述数据输出部分的第r维数据的误差率，为的个数，m为所述训练数据的个数。

进一步地，所述软测量子模型的所述权重因子公式为：

其中，β_t为第t次迭代时对应的权重因子，R为所述训练数据的所述数据输出部分的维度数，为第t次迭代时所述数据输出部分的第r维数据的误差率。

进一步地，所述软测量建模方法的模型公式为：

其中，T为最大迭代次数，β_t为第t次迭代时对应的权重因子，f_t(x)为第t次迭代时对应的所述软测量子模型。

进一步地，所述待处理数据还包括用于测试软测量模型的测试数据。

进一步地，所述抽样方法可以是bootstrap抽样方法。

进一步地，单一的智能方法可以为BP神经网络方法。

本发明实施例通过对传统的Bagging进行改进，对原始参数增加了维度，解决了传统软测量技术中不能对高维度数据进行测量的缺点。

附图说明

图1是本发明实施例一中的一种软测量方法的流程图；

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种软测量方法的流程图。如图1所示，该方法具体包括：

S110、获取用于所述软测量建模方法的M个建模数据作为待处理数据；

具体地，采集M个用于建模数据的数据样本，该样本可以为任意过程中的过程数据。例如可以是，动态光散射颗粒分布，对随机的散射光信号进行相关运算并作归一化处理，可以得到归一化的散射光强自相关函数g⁽²⁾(τ)，它与归一化的电场自相关函数g⁽¹⁾(τ)的关系为

g⁽²⁾(τ)＝A(1+β[g⁽¹⁾(τ)]) (6)

其中，τ是延迟时间，A是实验基线，β是相干因子。

对多分散颗粒系，归一化的电场自相关函数的分布积分为：

式中G(Γ)是归一化散射光电场强度自相关函数的线宽分布函数，其中Γ为衰减常数或线宽。

在求解式(7)得到G(Γ)后，通过衰减线宽-平移扩散系数-颗粒粒径的关系，可换算求得颗粒粒径的分布G(d)。式(7)为第一类Fredholm积分方程，并且在g⁽¹⁾(τ)中不可避免地存在着噪声，在此情况下求解颗粒粒径分布属于病态问题，解通常会发生严重偏离，甚至无法求解。另一方面若已知G(Γ)则可以很容易的求得g⁽¹⁾(τ)。

S120、将每个所述建模数据分为数据输入部分x_i和数据输出部分y_i；

具体地，确定建立软测量模型计算的变量为数据输出部分，影响数据输出部分的因素为数据输入部分。

S121、计算所述建模数据的所述数据输出部分的维度数R；

具体地，计算数据输出部分的维度数，所建立的软测量模型有多少个需要测量的变量，数据输出部分的维度数就是多少。

S122、设定所述建模数据的每个所述数据输出部分的维度对应的阈值其中，

具体地，根据每个维度数的不同设定不同维度的阈值，该阈值的设定将会影响该维度误差率的计算。

S130、设定最大迭代次数T并初始化迭代次数t＝1；

具体地，根据迭代需要确定最大迭代次数T，例如可以是T＝25，同时初始化迭代次数t＝1。

S140、利用抽样方法抽取m个所述建模数据作为训练数据，其中，m≤M；

具体地，利用bootstrap抽样方法从M个建模数据中抽取m个建模数据，例如可以是，bootstrap抽样方法从200个建模数据中抽取150个数据作为训练数据。

S150、选择一个单一的智能方法训练所述训练数据得到一个软测量子模型：f_t(x)→y；

具体地，选择一个单一的智能方法，例如可以是，BP神经网络，利用MATLAB仿真建立BP神经网络模型，其中BP神经网络参数为：输入层节点数为8，输出层节点数为1，隐藏层节点数为15，建立后的软测量子模型为：f_t(x)→y。

S160、计算所述软测量子模型的训练误差、误差率和权重因子；

具体地，软测量子模型的训练误差如式(1)和式(2)所示，误差率如式(3)所示，权重因子如式(4)所示。

S170、所述迭代次数t+1；

具体地，在该次迭代次数的基础上增加1

S180、如果所述迭代次数t小于等于所述最大迭代次数T，则返回步骤S140；

具体地，如果迭代次数t≤T返回步骤S140，如果迭代次数t＞T执行步骤S190。

S190、根据T个所述软测量子模型得到所述软测量建模方法的模型。

具体地，根据式(5)集成所述软测量方法的软测量模型。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。