CN106407551A - 一种软测量建模方法 - Google Patents

一种软测量建模方法 Download PDF

Info

Publication number
CN106407551A
CN106407551A CN201610817978.6A CN201610817978A CN106407551A CN 106407551 A CN106407551 A CN 106407551A CN 201610817978 A CN201610817978 A CN 201610817978A CN 106407551 A CN106407551 A CN 106407551A
Authority
CN
China
Prior art keywords
data
modeling
training
output unit
soft
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610817978.6A
Other languages
English (en)
Inventor
田慧欣
彭晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201610817978.6A priority Critical patent/CN106407551A/zh
Publication of CN106407551A publication Critical patent/CN106407551A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种软测量建模方法。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xi和数据输出部分yi；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：ft(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。本发明解决了软测量技术中对高维度输出变量模型建立问题，所述方法提高软测量模型的精度及泛化能力。

Description

一种软测量建模方法
技术领域
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。
发明内容
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xi和数据输出部分yi；
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：ft(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，βt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，βt为第t次迭代时对应的权重因子，ft(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xi和数据输出部分yi；
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：ft(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：ft(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。

Claims (9)

1.一种软测量建模方法，其特征在于，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xi和数据输出部分yi；
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：ft(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。
2.根据权利要求1所述的方法，其特征还在于，在S120中包括：
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，
3.根据权利要求2所述的方法，其特征还在于：所述软测量子模型的所述训练误差公式为：
其中，Ert r(i)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，ft r(xi)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。
4.根据权利要求3所述的方法，其特征还在于：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。
5.根据权利要求4所述的方法，其特征还在于：所述软测量子模型的所述权重因子公式为：
其中，βt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。
6.根据权利要求5所述的方法，其特征还在于：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，βt为第t次迭代时对应的权重因子，ft(x)为第t次迭代时对应的所述软测量子模型。
7.根据权利要求1-6中任一所述的方法，其特征还在于：所述待处理数据还包括用于测试软测量模型的测试数据。
8.根据权利要求1-6中任一所述的方法，其特征还在于：所述抽样方法可以是bootstrap抽样方法。
9.根据权利要求1-6中任一所述的方法，其特征还在于：单一的智能方法可以为BP神经网络方法。
CN201610817978.6A 2016-09-07 2016-09-07 一种软测量建模方法 Pending CN106407551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610817978.6A CN106407551A (zh) 2016-09-07 2016-09-07 一种软测量建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610817978.6A CN106407551A (zh) 2016-09-07 2016-09-07 一种软测量建模方法

Publications (1)

Publication Number Publication Date
CN106407551A true CN106407551A (zh) 2017-02-15

Family

ID=57999590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610817978.6A Pending CN106407551A (zh) 2016-09-07 2016-09-07 一种软测量建模方法

Country Status (1)

Country Link
CN (1) CN106407551A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977531A (zh) * 2017-12-20 2018-05-01 云南电网有限责任公司文山供电局 一种基于图像处理和领域数学模型进行接地电阻软测量的方法
CN111291657A (zh) * 2020-01-21 2020-06-16 同济大学 一种基于难例挖掘的人群计数模型训练方法及应用

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977531A (zh) * 2017-12-20 2018-05-01 云南电网有限责任公司文山供电局 一种基于图像处理和领域数学模型进行接地电阻软测量的方法
CN111291657A (zh) * 2020-01-21 2020-06-16 同济大学 一种基于难例挖掘的人群计数模型训练方法及应用
CN111291657B (zh) * 2020-01-21 2022-09-16 同济大学 一种基于难例挖掘的人群计数模型训练方法及应用

Similar Documents

Publication Publication Date Title
Young et al. Primordial black hole formation and abundance: contribution from the non-linear relation between the density and curvature perturbation
Wang et al. Dense velocity reconstruction from particle image velocimetry/particle tracking velocimetry using a physics-informed neural network
CN104122540B (zh) 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
Nguyen et al. A 3-D stochastic FDTD model of electromagnetic wave propagation in magnetized ionosphere plasma
Tasitsiomi et al. Modeling galaxy-mass correlations in dissipationless simulations
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
CN102401898A (zh) 一种合成孔径雷达森林遥感数据的定量化模拟方法
CN104766090B (zh) 一种基于bemd和sofm的探地雷达数据可视化方法
CN104066178B (zh) 一种基于人工神经元网络的室内无线定位指纹生成方法
CN113468679B (zh) 一种基于s-a模型的湍流长度尺度计算方法
Eremeev et al. Reconstruction of oceanic flow characteristics from quasi‐Lagrangian data: 1. Approach and mathematical methods
CN102298652B (zh) 放射性测量中能谱漂移的模拟方法
CN106407551A (zh) 一种软测量建模方法
CN114442153A (zh) 一种近断层地震动拟合方法
CN103699810A (zh) 一种粗糙面微波段双向反射分布函数的建模方法
CN105277973A (zh) 一种基于匹配追踪的子波分解优化方法
Liu et al. Recovery of high frequency wave fields from phase space–based measurements
Dai et al. A deep learning-based GPR forward solver for predicting B-scans of subsurface objects
CN104105049A (zh) 一种减少传声器使用数量的房间冲激响应函数测量方法
CN116663428B (zh) 一种基于神经网络的面波成像联合反演方法
CN105184033A (zh) 基于阶数步进金属目标的宽频带电磁特性快速预估方法
Krasnopolsky et al. Development of neural network convection parameterizations for climate and NWP models using Cloud Resolving Model simulations
CN105445719A (zh) 一种三维激光扫描仪数据滤波方法
Shiozawa et al. Cosmology in one dimension: A two-component model
ZHANG et al. Inversion of 3D density interface with PSO-BP method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170215