CN106548233A - 一种基于改进AdaBoost算法的4‑CBA含量的软测量方法 - Google Patents

一种基于改进AdaBoost算法的4‑CBA含量的软测量方法 Download PDF

Info

Publication number
CN106548233A
CN106548233A CN201610945197.5A CN201610945197A CN106548233A CN 106548233 A CN106548233 A CN 106548233A CN 201610945197 A CN201610945197 A CN 201610945197A CN 106548233 A CN106548233 A CN 106548233A
Authority
CN
China
Prior art keywords
sample
cba
contents
neural network
group
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.)
Granted
Application number
CN201610945197.5A
Other languages
English (en)
Other versions
CN106548233B (zh
Inventor
刘瑞兰
刘树云
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication 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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201610945197.5A priority Critical patent/CN106548233B/zh
Publication of CN106548233A publication Critical patent/CN106548233A/zh
Application granted granted Critical
Publication of CN106548233B publication Critical patent/CN106548233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种基于改进AdaBoost算法的4‑CBA含量的软测量方法，采用双阈值的样本权值更新方法，选用BP神经网络训练作为弱学习器，将得到的一组弱学习器采用AdaBoost算法进行组合得到强学习器。该方法选择PTA氧化过程有关可测变量作为模型的输入,4‑CBA含量作为模型的输出，选取历史采集数据作为训练样本。本发明提出的改进的AdaBoost算法能够减小误差较大样本对弱学习器的影响，提高了对4‑CBA含量的预测精度。

Description

一种基于改进AdaBoost算法的4-CBA含量的软测量方法
技术领域
本发明涉及一种4-CBA含量的软测量方法，特别涉及一种基于改进AdaBoost算法的4-CBA含量的软测量方法，属于化学工程领域。
背景技术
AdaBoost(Adaptive Boosting)算法是Freund和Schapire提出的将弱学习器提升为强学习器的算法，该算法不仅可以将任意弱学习器组合提升，还可以提高强学习器的预测精度，目前已广泛应用于两类问题，多分类问题和回归问题等方面。AdaBoost算法的主要思想是给每个训练样本赋予样本权值，在训练弱学习器的过程中更新样本权值，其中样本权值变化是由当前训练的弱学习器的训练结果决定，训练误差大的样本权值会加大，训练误差小的样本权值会减小，训练结束后样本权值大的样本会作为下一轮训练样本继续训练，这样反复迭代，最后得到一组弱学习器，将它们组合得到强学习器。
AdaBoost算法已在分类问题中取得了非常好的预测效果，但是由于回归问题不同于分类问题的误差函数，所以针对分类问题提出的AdaBoost算法不能直接应用于回归问题。因此，1997年Freund和Schapire又提出了AdaBoost.R算法，该算法通过是回归问题转化为二分类分类问题，依据分类AdaBoost算法解决后再转化为回归问题。Drucker将AdaBoost.R算法进行改进提出AdaBoost.R2，在每一轮循环中使用依据弱学习器预测来更新样本权值，并依据调整后的样本权值重新选择训练样本，继而进行下一轮训练，该方法首次应用到实际回归问题中并取得了较好的效果。
Solomatine和Shrestha等人提出具有代表性的AdaBoost.RT算法，算法是直接应用于回归问题中，通过计算训练样本的相对预测误差来更新样本权值，并且引入相对误差阈值φ，算法每一轮依据阈值来更新样本权值，将相对预测误差大于阈值的样本权值相对增加，小于阈值的样本权值相对减小，每次将样本权值大的样本作为下一次迭代中训练样本，该方法取得良好的预测效果。
AdaBoost算法的预测精度与阈值φ和训练样本的选取有一定的关系，在AdaBoost算法的应用中，阈值φ初始值的选择需要经过反复试错法得到，增加算法时间复杂度，阈值φ的选取也影响着训练样本的抽取和训练的弱学习器权重。
PX氧化是在反应温度为190摄氏度左右，压力为1.258MPa，在钴、锰、溴三元催化剂作用下以醋酸为溶剂，用空气中的氧气为氧化剂将PX氧化为TA(对苯二甲酸)，TA进一步纯化后得到PTA(精对苯二甲酸)的过程。该氧化反应反应机理非常复杂，是高温高压下气液固三相反应，中间产物和副产物较多。PX氧化反应主要由四个反应组成，除原料PX和最终产品AT外，还有其它中间产物:AT(对甲基苯甲醛)、PT(对甲基苯甲酸)和4-CBA(对羟基苯甲醛)。其中4-CBA含量是PTA产品中的主要的副产物，也是PTA成品分析的重要质量指标，4-CBA含量过高，则PTA产品的着色，质量达不到要求，4-CBA含量过低，则氧化反应程度加深，副反应加剧，能耗及醋酸、PX单耗增加。为了减小原料降耗，并且保证PTA的产品质量，采用对4-CBA含量进行实时监控。
4-CBA含量无法用常规的方法在线测量，而是通过实验室分析化验出来，而离线分析时间比较长，往往滞后数小时；同时实验分析化验成本较高，其采样间隔较长，采样次数少，无法满足对4-CBA含量进行实时监控的要求，比如某工厂对4-CBA含量的采样周期为8小时，每天固定在0点，8点和16点采样，因此一天最多只有三个滞后数小时的4-CBA含量的分析值。需要采用软测量技术在线估计4-CBA含量。
发明内容
本发明所要解决的技术问题是提供一种基于改进AdaBoost算法的4-CBA含量的软测量方法，提出双阈值对样本权值更新，获得高效的4-CBA含量软测量模型。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于改进AdaBoost算法的4-CBA含量的软测量方法，包括以下具体步骤：
步骤1，选择若干个过程变量作为软测量模型的输入变量，软测量模型的输出量为4-CBA的含量；
步骤2，采集m组输入变量所对应的历史运行数据和相应的4-CBA含量的分析数据作为初始训练样本；并对初始训练样本中的每组样本数据定义一个样本权值，且设置样本权值的初值均为1/m；
步骤3，基于AdaBoost算法采用初始训练样本训练k个BP神经网络，将该k个BP神经网络组合后得到软测量模型，具体为：
3.1，令迭代次数t＝1；
3.2，采用初始训练样本对一个BP神经网络进行训练，并根据公式1-3分别计算本次迭代训练完成的BP神经网络的相对预测误差、平均相对误差和最大阈值：
其中，et(i)为第t次迭代训练完成的BP神经网络的相对预测误差，ft(xi)为第t次迭代训练完成的BP神经网络对应第i组样本数据的预测输出，yi为第i组样本数据中的4-CBA含量的分析数据；为第t次迭代训练完成的BP神经网络的平均相对误差；Φt为第t次迭代训练完成的BP神经网络的最大阈值，n为系数；
3.3，根据公式4更新初始训练样本中的每组样本数据的样本权值，具体为：
其中，Dt+1(i)为第t+1次迭代时初始训练样本中的第i组样本数据的样本权值，Dt(i)为第t次迭代时初始训练样本中的第i组样本数据的样本权值，且D1(i)＝1/m；Bt是归一化因子；n'为系数，
3.4，若t＜k，则采用轮盘赌算法从更新样本权值后的初始训练样本中抽取m'组数据作为下一次迭代的训练样本，且令t＝t+1返回步骤4；否则执行步骤3.5；
3.5，根据公式5将训练完成的k个BP神经网络进行组合，得到软测量模型为：
其中，ft(x)表示第t次迭代训练完成的BP神经网络；
步骤4，根据步骤3得到的软测量模型，即可实现对4-CBA含量的软测量。
作为本发明的进一步优化方案，步骤3.4中m'＜m。
作为本发明的进一步优化方案，步骤3.4中m'的取值范围为(80,m)。
作为本发明的进一步优化方案，步骤3.2中系数n的取值为2或3。
作为本发明的进一步优化方案，步骤1中选择氧化反应器物料进料流量、催化剂浓度、氧化反应器液位、氧化反应器温度、氧化反应器尾氧含量、第三冷凝器排出水量、第四冷凝器排出水量、催化剂浓度、第一结晶器温度、第一结晶器尾氧含量、反应生成的CO2含量、反应生成的CO含量共12个过程变量作为软测量模型的输入变量。
作为本发明的进一步优化方案，步骤3.3中系数n'的取值为1，2或3。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明设置最大阈值和轮盘赌算法对训练样本概率抽样改进AdaBoost算法，实质是减弱预测误差较大样本权值对弱学习器的权重的影响，将预测误差比较大的样本以概率抽样作为下一次迭代的训练样本。通过设置最大阈值将预测误差较大样本权值减小，弱学习器的权重主要有预测误差比较大的样本影响，轮盘赌算法抽取样本是样本权值越大，被抽到的概率越大，预测误差比较大的样本作为下一轮训练样本的概率越大。这样改进的AdaBoost算法减小预测误差较大样本对训练的影响，增强模型的预测精度，因为AdaBoost算法阈值初始值是由反复试错法的得到的，改进的AdaBoost算法还减少算法时间复杂度。
具体实施方式
下面对本发明的技术方案做进一步的详细说明：
本发明提供一种基于改进AdaBoost算法的4-CBA含量的软测量方法，通过建立4-CBA含量的软测量模型实现对4-CBA含量的软测量。在建立4-CBA含量的软测量模型时，通过改进的AdaBoost算法以及样本权值的双阈值更新，减小预测误差较大样本对训练的影响，增强模型的预测精度。
本发明一种基于改进AdaBoost算法的4-CBA含量的软测量方法的具体过程如下：
1)选择氧化反应器物料进料流量、催化剂浓度、氧化反应器液位、氧化反应器温度、氧化反应器尾氧含量、第三冷凝器排出水量、第四冷凝器排出水量、催化剂浓度、第一结晶器温度、第一结晶器尾氧含量、反应生成的CO2含量、反应生成的CO含量共12个过程变量的m组历史运行数据作为软测量模型的输入变量X，相应的4-CBA含量的分析数据作为软测量模型的输出变量Y，构成初始训练样本(X,Y)；
2)对初始训练样本中的数据进行的预处理，并对每组样本数据定义一个样本权值，且设置样本权值的初值均为1/m；
3)训练弱学习器。将单一BP神经网络作为弱学习器训练，得到弱学习器。
根据公式1-3分别计算本次迭代训练完成的BP神经网络的相对预测误差、平均相对误差和最大阈值：
其中，et(i)为第t次迭代训练完成的BP神经网络的相对预测误差，ft(xi)为第t次迭代训练完成的BP神经网络对应第i组样本数据的预测输出，yi为第i组样本数据中的4-CBA含量的分析数据；为第t次迭代训练完成的BP神经网络的平均相对误差；Φt为第t次迭代训练完成的BP神经网络的最大阈值，n为系数，可取值2或3。
4)当每次迭代训练弱学习器后，每一个训练样本权值的更新依据弱学习器训练的相对误差大小，当相对误差大于而小于Φt时，样本权值依据βt更新；当每次训练样本相对预测误差都大于Φt时，样本权重依据α更新，当相对误差小于时，则样本权值不变。
根据公式4更新初始训练样本中的每组样本数据的样本权值，具体为：
其中，Dt+1(i)为第t+1次迭代时初始训练样本中的第i组样本数据的样本权值，Dt(i)为第t次迭代时初始训练样本中的第i组样本数据的样本权值，且D1(i)＝1/m；Bt是样本权值的归一化因子；n'为系数，可取值1，2或3；
这里需要说明的是，因为在每一次样本权值更新后，样本权值的总和不再是1，为了接下来进行的样本抽样，故将样本权值归一化。
5)若t＜k，则采用轮盘赌算法从更新样本权值后的初始训练样本中抽取m'组数据作为下一次迭代的训练样本，且令t＝t+1返回步骤4；否则执行步骤3.5。其中，m'的取值范围为(80,m)。
6)合成强学习器，迭代训练结束后得到一组弱学习器，将其组合成强学习器，得到最后模型，其组合算式为：
其中，ft(x)表示第t次迭代训练完成的BP神经网络。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，包括以下具体步骤：
步骤1，选择若干个过程变量作为软测量模型的输入变量，软测量模型的输出量为4-CBA的含量；
步骤2，采集m组输入变量所对应的历史运行数据和相应的4-CBA含量的分析数据作为初始训练样本；并对初始训练样本中的每组样本数据定义一个样本权值，且设置样本权值的初值均为1/m；
步骤3，基于AdaBoost算法采用初始训练样本训练k个BP神经网络，将该k个BP神经网络组合后得到软测量模型，具体为：
3.1，令迭代次数t＝1；
3.2，采用初始训练样本对一个BP神经网络进行训练，并根据公式1-3分别计算本次迭代训练完成的BP神经网络的相对预测误差、平均相对误差和最大阈值：
e t ( i ) = | f t ( x i ) - y i y i | - - - ( 1 )
其中，et(i)为第t次迭代训练完成的BP神经网络的相对预测误差，ft(xi)为第t次迭代训练完成的BP神经网络对应第i组样本数据的预测输出，yi为第i组样本数据中的4-CBA含量的分析数据；为第t次迭代训练完成的BP神经网络的平均相对误差；Φt为第t次迭代训练完成的BP神经网络的最大阈值，n为系数；
3.3，根据公式4更新初始训练样本中的每组样本数据的样本权值，具体为：
其中，Dt+1(i)为第t+1次迭代时初始训练样本中的第i组样本数据的样本权值，Dt(i)为第t次迭代时初始训练样本中的第i组样本数据的样本权值，且D1(i)＝1/m；Bt是归一化因子；n'为系数，
3.4，若t＜k，则采用轮盘赌算法从更新样本权值后的初始训练样本中抽取m'组数据作为下一次迭代的训练样本，且令t＝t+1返回步骤4；否则执行步骤3.5；
3.5，根据公式5将训练完成的k个BP神经网络进行组合，得到软测量模型为：
h ( x ) = Σ t β t * f t ( x ) / Σ t β t ; - - - ( 5 )
其中，ft(x)表示第t次迭代训练完成的BP神经网络；
步骤4，根据步骤3得到的软测量模型，即可实现对4-CBA含量的软测量。
2.根据权利要求1所述的一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，步骤3.4中m'＜m。
3.根据权利要求2所述的一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，步骤3.4中m'的取值范围为(80,m)。
4.根据权利要求1所述的一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，步骤3.2中系数n的取值为2或3。
5.根据权利要求1所述的一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，步骤1中选择氧化反应器物料进料流量、催化剂浓度、氧化反应器液位、氧化反应器温度、氧化反应器尾氧含量、第三冷凝器排出水量、第四冷凝器排出水量、催化剂浓度、第一结晶器温度、第一结晶器尾氧含量、反应生成的CO2含量、反应生成的CO含量共12个过程变量作为软测量模型的输入变量。
6.根据权利要求1所述的一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，步骤3.3中系数n'的取值为1，2或3。
CN201610945197.5A 2016-10-26 2016-10-26 一种基于改进AdaBoost算法的4-CBA含量的软测量方法 Active CN106548233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610945197.5A CN106548233B (zh) 2016-10-26 2016-10-26 一种基于改进AdaBoost算法的4-CBA含量的软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610945197.5A CN106548233B (zh) 2016-10-26 2016-10-26 一种基于改进AdaBoost算法的4-CBA含量的软测量方法

Publications (2)

Publication Number Publication Date
CN106548233A true CN106548233A (zh) 2017-03-29
CN106548233B CN106548233B (zh) 2019-01-01

Family

ID=58393702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610945197.5A Active CN106548233B (zh) 2016-10-26 2016-10-26 一种基于改进AdaBoost算法的4-CBA含量的软测量方法

Country Status (1)

Country Link
CN (1) CN106548233B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN108563565A (zh) * 2018-04-08 2018-09-21 中国人民解放军海军工程大学 飞行着陆引导系统可靠性定量分析模型建立方法
CN109886460A (zh) * 2019-01-16 2019-06-14 中国计量大学 基于adaboost的隧道沉降时间序列的预测方法
CN110568756A (zh) * 2019-04-09 2019-12-13 哈尔滨理工大学 一种基于Adaboost预测鲁棒控制的连续回转马达电液伺服系统控制方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
US9280517B2 (en) * 2011-06-23 2016-03-08 University Of Southern California System and method for failure detection for artificial lift systems
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法
CN106096637A (zh) * 2016-06-06 2016-11-09 浙江大学 基于Elman‑Adaboost强预测器的铁水硅含量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398893A (zh) * 2008-10-10 2009-04-01 北京科技大学 一种改进AdaBoost算法的鲁棒人耳检测方法
US9280517B2 (en) * 2011-06-23 2016-03-08 University Of Southern California System and method for failure detection for artificial lift systems
CN106022229A (zh) * 2016-05-11 2016-10-12 北京航空航天大学 基于视频运动信息特征提取与自适应增强算法的误差反向传播网络的异常行为识别方法
CN106096637A (zh) * 2016-06-06 2016-11-09 浙江大学 基于Elman‑Adaboost强预测器的铁水硅含量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHE WANG等: "An Improved Fusion Method Based on Adaboost Algorithm for Semantic Concept Extraction", 《ACM》 *
严云洋: "基于双阈值的增强型AdaBoost快速算法", 《计算机工程》 *
李翔等: "Adaboost算法改进BP神经网络预测研究", 《计算机工程与科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN107832722B (zh) * 2017-11-17 2021-05-28 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN108563565A (zh) * 2018-04-08 2018-09-21 中国人民解放军海军工程大学 飞行着陆引导系统可靠性定量分析模型建立方法
CN108563565B (zh) * 2018-04-08 2021-12-17 中国人民解放军海军工程大学 飞行着陆引导系统可靠性定量分析模型建立方法
CN109886460A (zh) * 2019-01-16 2019-06-14 中国计量大学 基于adaboost的隧道沉降时间序列的预测方法
CN110568756A (zh) * 2019-04-09 2019-12-13 哈尔滨理工大学 一种基于Adaboost预测鲁棒控制的连续回转马达电液伺服系统控制方法
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

Also Published As

Publication number Publication date
CN106548233B (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN106548233A (zh) 一种基于改进AdaBoost算法的4‑CBA含量的软测量方法
US10919791B2 (en) Intelligent identification method of sludge bulking based on type-2 fuzzy neural network
CN106897775A (zh) 基于贝叶斯集成学习的软测量建模方法
CN105740984A (zh) 一种基于性能预测的产品概念性能评价方法
CN101995891B (zh) 一种芳香酸生产中母固料回收系统水分在线分析方法
CN109828089A (zh) 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法
CN114239397A (zh) 基于动态特征提取与局部加权深度学习的软测量建模方法
CN110083065B (zh) 一种基于流式变分贝叶斯有监督因子分析的自适应软测量方法
CN104504232B (zh) 一种基于稀疏最小二乘支持向量机的4‑cba含量的软测量方法
CN110009053A (zh) 一种基于bp深度神经网络的黄酒综合类别判断方法
CN103886397A (zh) 一种分治法与水质周期性结合的水质预测方法
CN108664706A (zh) 一种基于半监督贝叶斯高斯混合模型的合成氨过程一段炉氧气含量在线估计方法
CN110197704B (zh) 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法
CN103675010A (zh) 支持向量机的工业熔融指数软测量仪表及方法
CN110879873B (zh) 一种基于哈密顿蒙特卡洛采样的vine copula相关性描述的软测量方法及系统
CN103675005A (zh) 最优模糊网络的工业熔融指数软测量仪表及方法
CN114527716B (zh) 一种基于注意力机制和行为克隆模型的污水处理预测控制方法
CN101173952B (zh) 一种确定对羧基苯甲醛含量的软测量方法
Ermi et al. Deep learning approaches to chemical property prediction from brewing recipes
CN113378574A (zh) 一种基于kgann的命名实体识别方法
CN101339408A (zh) 铝酸钠溶液连续碳酸化分解过程智能控制系统
CN102486632A (zh) 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法
Chen et al. Modeling of goethite iron precipitation process based on time-delay fuzzy gray cognitive network
KR20200046193A (ko) 막걸리 품질센서
CN115901677B (zh) 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210000 new model road, Nanjing, Nanjing, Jiangsu

Applicant after: Nanjing Post & Telecommunication Univ.

Address before: 210046 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu.

Applicant before: Nanjing Post & Telecommunication Univ.