CN106407551A - 一种软测量建模方法 - Google Patents
一种软测量建模方法 Download PDFInfo
- 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
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
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。
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)
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 |
-
2016
- 2016-09-07 CN CN201610817978.6A patent/CN106407551A/zh active Pending
Cited By (3)
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 |