CN106897775A - 基于贝叶斯集成学习的软测量建模方法 - Google Patents
基于贝叶斯集成学习的软测量建模方法 Download PDFInfo
- Publication number
- CN106897775A CN106897775A CN201710056652.0A CN201710056652A CN106897775A CN 106897775 A CN106897775 A CN 106897775A CN 201710056652 A CN201710056652 A CN 201710056652A CN 106897775 A CN106897775 A CN 106897775A
- Authority
- CN
- China
- Prior art keywords
- bayes
- algorithm
- integrated
- model
- submodel
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06N3/04—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯集成学习的软测量建模方法,在模型集群分析算法的框架下,首先进行离线建模,采用适用于不同工业过程特性的多个软测量算法作为子算法,用贝叶斯集成学习方法计算出各个软测量子算法模型分配的权重。在线预测时,经过软测量子算法模型预测后,根据之前计算出的权重,通过贝叶斯集成求得待预测过程数据的最终预测结果分布范围。相比目前的其他方法,本发明提高了软测量模型对不同工业过程特性的适应性和预测精确度,并采用了模型集群分析来进行模型评价,从统计学的角度来评价模型的好坏,由此可以看到不同算法的整体预测效果,得到更多的信息。
Description
技术领域
本发明属于工业过程控制领域,尤其涉及一种基于贝叶斯集成学习的软测量建模方法。
背景技术
生产装置的经济效益和产品品质,在当代工业的环境下被越来越严格地要求,这往往决定企业是否能在竞争日益激烈的市场环境下存活。在化工、发酵、生物、冶金、石油、食品等过程工业中,若要实现卡边控制、使生产装置运行于最佳的工作状况、生产更多的优质产品,就需要严格控制许多重要的过程变量。然而,往往很难用在线传感器直接把这些重要的过程变量测出来。有不少方法可以解决这样的测量问题,软测量是目前应用比较普遍的方法。
集成学习是使用一系列学习器进行学习,并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。通常来说,在工业过程中,若能够找到或者设计一个足够好的软测量算法,使得该算法在各种环境下都具有很好的泛化误差,那就没有必要使用集成的思想。然而,实际应用中由于噪声、离群点或者不相关变量的存在,构造一个完美的软测量算法不可能实现,至少使它能适应不同的设计条件很难实现。虽然很多学者在单一软测量算法上做了许多改进,不过大部分都基于一定的假设条件,包括数据特征是线性相关的、服从高斯分布、工况平稳等等,但是实际的过程一般都是各种特征的综合体,使用假设条件会有局限性。因此本发明尝试构造一个包含若干软测量算法的集成学习系统,即选择多种软测量算法对工业过程进行检测,在统一的融合框架下,对各软测量算法的预测结果进行集成,以适应不同的过程特性。为了提高整个系统的多样性,选择可以处理线性、非线性、非高斯等不同工业过程的软测量算法,使得算法在应对具有该类特点的数据时,能获得较好的泛化性能,为后续的集成学习提供强的多样性。并采用模型集群分析方法,通过产生大数量训练集群,消除训练集的选择对于模型评价结果的影响,提高数据的多样性。与以往的从一个单一的输出值上进行模型评价的方法不同,模型集群分析方法的输出是一个分布,从而可以从统计学的角度得到更多的结论。
发明内容
本发明的目的在于针对现有方法的假设局限,提供一种基于贝叶斯集成学习的软测量建模方法。
本发明的目的是通过以下技术方案来实现的:一种基于贝叶斯集成学习的软测量建模方法,其特征在于,包括以下步骤:
(1)向系统输入n(n为大于0的自然数)个工业过程数据样本,对所有样本进行归一化处理,使得各个变量的均值为0,方差为1。将这些数据存入历史数据库。基于模型集群分析算法的框架进行接下来的步骤(2)至(4)。
(2)采用蒙特卡洛算法从原始数据集中抽取a%(50≤a≤80)的样本作为训练样本,剩下的作为测试样本。蒙特卡洛重复N(N为大于0的自然数)次,共生成N个训练集和N个测试集。将这些数据存入历史数据库。
(3)选择适用于不同工业过程特性的m个软测量算法作为集成学习的子算法。从数据库中调用N个训练集,并用软测量子模型算法对这些训练集分别建立N个子模型,然后调用数据库中对应的N个测试集进行预测。设每个子模型得到的预测结果为:
yi,j(t),i=1,2,…,m,j=1,2,…,N,t=1,2,…,n×(1-a%)
设测试集的真实结果为:
Yi(t),i=1,2,…,N,t=1,2,…,n×(1-a%)
通过下式求得各个子模型算法各自的N个均方根误差RMSEPi,j:
将建模数据和各个软测量子模型算法参数存入历史数据库中备用。
(4)从数据库中调用建模数据,采用贝叶斯集成算法对m个软测量子模型算法进行集成,得到各个子算法分配的权重,存入历史数据库中备用,具体步骤如下:
a)通过下式求得贝叶斯集成算法的系数Zi:
设Mi代表第i个子算法模型,贝叶斯先验概率被设为:
设S代表测试数据集,贝叶斯似然概率为:
贝叶斯后验概率为:
b)最后再对每一个子模型的预测值进行加权求和,得到最终的预测值:
离线建模完成。计算出贝叶斯集成模型的N个均方根误差,进行统计分析,评价模型优劣。
(5)将在线过程数据输入系统,经过m×N个软测量算法模型预测后,根据之前得到的权重,通过贝叶斯集成求得待预测过程数据的最终预测结果分布范围。
本发明的有益效果是:本发明针对单个软测量算法在一些条件下能有很好的性能而在另一些条件下就有可能表现不佳的局限性,提出了基于贝叶斯集成学习的软测量建模方法。相比目前的其他软测量方法,本发明不仅提高了软测量模型对不同工业过程特性的适应性,提高了过程变量预测精确度,而且采用了模型集群分析来进行模型评价,从统计学的角度来评价模型的好坏,由此可以看到不同算法的整体预测效果,得到更多的信息。
附图说明
图1为基于贝叶斯集成学习的软测量建模方法的流程图;
图2为各个软测量子模型算法与贝叶斯集成算法的均方根误差分布比较的统计图,其中,(a)为PCR算法与贝叶斯集成算法的均方根误差分布比较的统计图,(b)为PLS算法与贝叶斯集成算法的均方根误差分布比较的统计图,(c)为ICR算法与贝叶斯集成算法的均方根误差分布比较的统计图,(d)为KPLS算法与贝叶斯集成算法的均方根误差分布比较的统计图,(e)为BP算法与贝叶斯集成算法的均方根误差分布比较的统计图;
图3为贝叶斯集成算法与各个软测量子模型算法的均方根误差差值分布的统计图,其中,(a)为贝叶斯集成算法与PCR算法的均方根误差差值分布的统计图,(b)为贝叶斯集成算法与PLS算法的均方根误差差值分布的统计图,(c)为贝叶斯集成算法与ICR算法的均方根误差差值分布的统计图,(d)为贝叶斯集成算法与KPLS算法的均方根误差差值分布的统计图,(e)为贝叶斯集成算法与BP算法的均方根误差差值分布的统计图。
具体实施方式
本发明为了克服单个软测量算法的局限性,在模型集群分析算法的框架下,首先进行离线建模,采用蒙特卡洛算法对原始数据随机采样,生成N个训练集和N个测试集。采用适用于不同工业过程特性的多个软测量算法作为子算法,然后用贝叶斯集成学习方法计算出各个软测量子算法模型分配的权重。在线预测时,经过软测量子算法模型预测后,根据之前计算出的权重,通过贝叶斯集成求得待预测过程数据的最终预测结果分布范围。
以下结合一个具体的工业过程的例子来说明本发明的有效性。在合成氨工艺过程中,甲烷脱碳单元会产生氢气,碳元素却仍以CO与CO2的形式存在。高-低温度转换单元的作用就是把CO转换成CO2,而CO2能够被CO2吸收塔吸收,并在尿素合成单元作为原料重新利用。CO变换是先后在过程中按如下反应式进行:
变换后气体仅含CO 0.29%(干基体积)。变换反应增加了H2,同时产生与CO等量的CO2。该反应在催化剂存在时进行,低温和高蒸汽浓度有利于平衡,而高温有利于反应速度,但高蒸汽浓度将使反应速度明显降低,因大气量会导致缩短(与触媒的)接触时间。高-低温度转换单元共27个变量,如表1所示,其中包括26个常规过程变量和1个质量变量,出口CO含量。
参考图1,根据基于贝叶斯集成学习的软测量建模方法的流程图,本发明采用的技术方案的主要步骤分别如下:
第一步向系统输入n(n=3000)个工业过程数据样本,对所有样本进行归一化处理,使得各个变量的均值为0,方差为1。将这些数据存入历史数据库。基于模型集群分析算法的框架进行接下来的步骤二至步骤四。模型集群分析方法的步骤是:
a)用蒙特卡洛方法从原始数据集中随机生成N(N为大于0的自然数)个子数据集;
b)对每一个子数据集都建立一个子模型(分类或者回归);
c)对N个子模型的输出进行统计分析。
第二步采用蒙特卡洛算法从原始数据集中抽取a%(a=70)的样本作为训练样本,剩下的作为测试样本。蒙特卡洛重复N(N=1000)次,共生成N个训练集和N个测试集。将这些数据存入历史数据库。
第三步选择适用于不同工业过程特性的m(m=5)个软测量算法作为集成学习的子算法。选择适用于线性过程的主元分析法PCR、偏最小二乘法PLS,适用于非线性过程的BP神经网络、KPLS核最小二乘法,以及适用于非高斯过程的独立成分分析法ICR作为集成学习的子模型算法。通过反复测试,将PCR、PLS的主元个数选为14,将ICR的独立主元个数选为11,KPLS的核参数选为35,BP神经网络的层数选择单层,节点数选择3。从数据库中调用N个训练集,并用软测量子模型算法对这些训练集分别建立N个子模型,然后调用数据库中对应的N个测试集进行预测。设每个子模型得到的预测结果为:
yi,j(t),i=1,2,…,m,j=1,2,…,N,t=1,2,…,n×(1-a%)
设测试集的真实结果为:
Yi(t),i=1,2,…,N,t=1,2,…,n×(1-a%)
通过下式求得各个子模型算法各自的N个均方根误差RMSEPi,j:
将建模数据和各个软测量子模型算法参数存入历史数据库中备用。
第四步从数据库中调用建模数据,采用贝叶斯集成算法对m个软测量子模型算法进行集成,得到各个子算法分配的权重,存入历史数据库中备用,具体步骤如下:
a)通过下式求得贝叶斯集成算法的系数Zi:
设Mi代表第i个子算法模型,贝叶斯先验概率被设为:
设S代表测试数据集,贝叶斯似然概率为:
贝叶斯后验概率为:
b)最后再对每一个子模型的预测值进行加权求和,得到最终的预测值:
离线建模完成。计算出贝叶斯集成模型的N个均方根误差,进行统计分析,评价模型优劣。如图2所示,将贝叶斯集成算法的均方根误差的分布和各个子模型算法的均方根误差的分布进行统计分析比较。Di,j,i=1,2,…,m+1,j=1,2,…,N,为不同算法之间均方根误差的差值,即:
Di,j=RMSEPa,i-RMSEPa,j,i=1,2,…,m+1,j=1,2,…,N,a=1,2,…,m+1,b=1,2,…,m+1
将贝叶斯集成算法的均方根误差与各个子模型算法的均方根误差的差值的分布求出,进行如图3所示和如表2所示的统计分析。
第五步将在线过程数据输入系统,经过m×N个软测量算法模型预测后,根据之前得到的权重,通过贝叶斯集成求得待预测过程数据的最终预测结果分布范围。
图2为各个软测量子模型算法与贝叶斯集成算法的均方根误差分布比较的统计图,(a)为PCR算法与贝叶斯集成算法的均方根误差分布比较的统计图,(b)为PLS算法与贝叶斯集成算法的均方根误差分布比较的统计图,(c)为ICR算法与贝叶斯集成算法的均方根误差分布比较的统计图,(d)为KPLS算法与贝叶斯集成算法的均方根误差分布比较的统计图,(e)为BP算法与贝叶斯集成算法的均方根误差分布比较的统计图。从图2中可以看出,将贝叶斯集成算法的均方根误差的分布和各个子模型算法的均方根误差的分布进行统计分析比较,可知与任意一个子模型算法相比,贝叶斯集成之后的均方根误差的分布最靠左,均方根误差RMSEP的平均值0.0028最小,分布的标准差0.00025也最小,也就是集成之后的预测精度最高。
图3为贝叶斯集成算法的均方根误差与各个子模型算法的均方根误差的差值的分布比较图,(a)为贝叶斯集成算法与PCR算法的均方根误差差值分布的统计图,(b)为贝叶斯集成算法与PLS算法的均方根误差差值分布的统计图,(c)为贝叶斯集成算法与ICR算法的均方根误差差值分布的统计图,(d)为贝叶斯集成算法与KPLS算法的均方根误差差值分布的统计图,(e)为贝叶斯集成算法与BP算法的均方根误差差值分布的统计图。由图3可知贝叶斯与任意一个子模型算法的差值绝大部分分布在小于0的范围内,即在绝大部分情况下贝叶斯预测精度比子算法高。
表2为D值数值统计的表格,以贝叶斯和偏最小二乘法PLS的差值D举例,D的平均值是-0.00014962,D<0的比率是95.90%,D>0的比率是4.10%,也就是所有的子集中有95.90%的子集,贝叶斯集成算法比PLS预测精度高,另外有4.10%的子集,贝叶斯集成算法比PLS预测精度低。意思就是,如果随机选择训练集和测试集,有95.90%的概率是贝叶斯集成算法比PLS子模型算法预测精度要高的。所以从总体上来讲,贝叶斯集成算法表现比PLS好的概率比较大,也就是贝叶斯集成算法的模型更优。同理,由表格分析可知,贝叶斯集成学习的预测精确度比任意一个子模型算法高的概率比较大。
最终可以得到如下的结论:
结论一,模型评价的指标在软测量预测中通常用的是均方根误差,但在模型集群分析方法中,预测结果好坏的评价指标是均方根误差的分布。采用了蒙特卡洛随机采样的方法,这能够最大限度地减少训练集样本的选择对于模型评价结果的影响,减少对于被选择出作为训练集的子样本的依赖;并且从统计学的角度来评价模型的好坏,我们可以看到不同算法的整体预测效果,能够得到更多的信息。
结论二,贝叶斯集成算法的预测精度比任意一个子模型算法高的概率比较大,因此贝叶斯集成算法总体上比任意一个子模型算法表现好。这是普通的模型评价的方法,比如将唯一的一个均方根误差作为评价指标的交叉验证法,所无法得到的结论。
根据本发明的实施例,贝叶斯集成学习算法提高了过程变量预测精确度,采用了模型集群分析来进行模型评价,从统计学的角度来评价模型的好坏,由此可以看到不同算法的整体预测效果,得到更多的信息。
表1:输入输出变量说明
变量编号 | 标签 | 变量描述 |
1 | AI04001A | 04R001入口气体流率 |
2 | AI04001A-AR | 04R001入口Ar含量 |
3 | AI04001A-C0 | 04R001入口CO含量 |
4 | AI04001A-CH4 | 04R001入口CH4含量 |
5 | AI04001A-H2 | 04R001入口H2含量 |
6 | AI04001B | 04R002入口气体流率 |
7 | AI04001B-AR | 04R002入口Ar含量 |
8 | AI04001B-C02 | 04R002入口CO2含量 |
9 | AI04001B-CH4 | 04R002入口CH4含量 |
10 | AI04001B-H2 | 04R002入口H2含量 |
11 | AI04001B-N2 | 04R002入口N2含量 |
12 | TI04001 | 04R001上层温度 |
13 | TI04002 | 04R001中层温度 |
14 | PC04003 | 04R002出口工艺气压力 |
15 | TI04003 | 04R001下层温度 |
16 | TR04004 | 04R001出口工艺气温度 |
17 | TI04005 | 04E002出口BFW温度 |
18 | TC04006 | 04E002出口工艺气温度 |
19 | TI04008 | 04R002上层温度 |
20 | TI04009 | 04R002中层温度 |
21 | TI04010 | 04R002下层温度 |
22 | LC04011 | 04E003液位 |
23 | PC04011 | 04E003出口工艺气压力 |
24 | TR04011 | 04R002出口工艺气温度 |
25 | TI04012 | 04K101进口循环N2温度 |
26 | TI04013 | 04R002进口工艺气温度 |
27 | AR04003 | 04R002出口CO含量 |
表2:贝叶斯集成算法与所有子算法的精确度比较
D的平均值 | D<0 | D>0 | |
Bayes-PCR | -0.00074750 | 100.00% | 0.00% |
Bayes-PLS | -0.00014962 | 95.90% | 4.10% |
Bayes-ICR | -0.00084138 | 96.00% | 4.00% |
Bayes-KPLS | -0.00011466 | 99.70% | 0.30% |
Bayes-BP | -0.00059237 | 99.90% | 0.10% |
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1.一种基于贝叶斯集成学习的软测量建模方法,其特征在于,包括以下步骤:
(1)向系统输入n(n为大于0的自然数)个工业过程数据样本,对所有样本进行归一化处理,使得各个变量的均值为0,方差为1。将这些数据存入历史数据库。基于模型集群分析算法的框架进行接下来的步骤2-4。
(2)采用蒙特卡洛算法从原始数据集中抽取a%(50≤a≤80)的样本作为训练样本,剩下的作为测试样本。蒙特卡洛重复N(N为大于0的自然数)次,共生成N个训练集和N个测试集。将这些数据存入历史数据库。
(3)选择适用于不同工业过程特性的m(m为3≤m≤8的自然数)个软测量算法作为集成学习的子算法。从数据库中调用N个训练集,并用软测量子模型算法对这些训练集分别建立N个子模型,然后调用数据库中对应的N个测试集进行预测。设每个子模型得到的预测结果为:
yi,j(t),i=1,2,…,m,j=1,2,…,N,t=1,2,…,n×(1-a%)
设测试集的真实结果为:
Yi(t),i=1,2,…,N,t=1,2,…,n×(1-a%)
通过下式求得各个子模型算法各自的N个均方根误差RMSEPi,j:
将建模数据和各个软测量子模型算法参数存入历史数据库中备用。
(4)从数据库中调用建模数据,采用贝叶斯集成算法对m个软测量子模型算法进行集成,得到各个子算法分配的权重,存入历史数据库中备用。离线建模完成。
(5)将在线过程数据输入系统,经过m×N个软测量算法模型预测后,根据之前得到的权重,通过贝叶斯集成求得待预测过程数据的最终预测结果分布范围。
2.根据权利要求1所述基于贝叶斯集成学习的软测量建模方法其特征在于,所述步骤(1)中模型集群分析算法具体步骤为:
(1.1)用蒙特卡洛方法从原始数据集中随机生成N个子数据集。
(1.2)对每一个子数据集都建立一个子模型(分类或者回归)。
(1.3)对N个子模型的输出进行统计分析。
3.根据权利要求1所述基于贝叶斯集成学习的软测量建模方法其特征在于,所述步骤(4)中贝叶斯集成算法具体步骤为:
(4.1)通过下式求得贝叶斯集成算法的系数Zi:
设Mi代表第i个子算法模型,贝叶斯先验概率被设为:
设S代表测试数据集,贝叶斯似然概率为:
贝叶斯后验概率为:
(4.2)最后再对每一个子模型的预测值进行加权求和,得到最终的预测值:
计算出贝叶斯集成模型的N个均方根误差,进行统计分析,评价模型优劣。统计分析采用的参数是Di,j,i=1,2,...,m+1,j=1,2,...,N,为不同算法之间均方根误差的差值,即:
Di,j=RMSEPa,i-RMSEPa,j,i=1,2,…,m+1,j=1,2,…,N,a=1,2,…,m+1,b=1,2,…,m+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056652.0A CN106897775B (zh) | 2017-01-25 | 2017-01-25 | 基于贝叶斯集成学习的软测量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056652.0A CN106897775B (zh) | 2017-01-25 | 2017-01-25 | 基于贝叶斯集成学习的软测量建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897775A true CN106897775A (zh) | 2017-06-27 |
CN106897775B CN106897775B (zh) | 2019-04-02 |
Family
ID=59198140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710056652.0A Expired - Fee Related CN106897775B (zh) | 2017-01-25 | 2017-01-25 | 基于贝叶斯集成学习的软测量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897775B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248003A (zh) * | 2017-08-03 | 2017-10-13 | 浙江大学 | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 |
CN107464017A (zh) * | 2017-08-01 | 2017-12-12 | 浙江大学 | 基于带时间差分贝叶斯网络的自适应软测量预测方法 |
CN108416463A (zh) * | 2018-01-29 | 2018-08-17 | 中南大学 | 一种加氢裂化过程的产品质量预测方法和系统 |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
CN109240090A (zh) * | 2018-11-08 | 2019-01-18 | 浙江大学 | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
CN110782041A (zh) * | 2019-10-18 | 2020-02-11 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
CN113032519A (zh) * | 2021-01-22 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 一种句子相似度判断方法、装置、计算机设备及存储介质 |
CN113449746A (zh) * | 2020-03-24 | 2021-09-28 | 北京京东振世信息技术有限公司 | 尾气遥测数据修正方法和装置 |
CN113658646A (zh) * | 2021-08-12 | 2021-11-16 | 浙江工业大学 | 一种基于集成概率建模的聚合过程分子量分布预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288413A1 (en) * | 2004-03-18 | 2007-12-13 | Nobuhiro Mizuno | Vehicle Information Processing System, Vehicle Information Processing Method, And Program |
JP2011257212A (ja) * | 2010-06-08 | 2011-12-22 | Institute Of National Colleges Of Technology Japan | コンクリート構造物の中性化深さ予測装置および中性化深さをコンピュータに計算させるためのプログラム |
CN103377316A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 基于统计分析和贝叶斯集成的青霉素生产过程监测方法 |
CN103376795A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 一种基于集成学习建模技术的半导体过程监测方法 |
US20140278335A1 (en) * | 2013-03-13 | 2014-09-18 | Sas Institute Inc. | Techniques for automated bayesian posterior sampling using markov chain monte carlo and related schemes |
CN105930906A (zh) * | 2016-04-15 | 2016-09-07 | 上海大学 | 一种基于特征加权和改进贝叶斯算法的摔倒检测方法 |
-
2017
- 2017-01-25 CN CN201710056652.0A patent/CN106897775B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288413A1 (en) * | 2004-03-18 | 2007-12-13 | Nobuhiro Mizuno | Vehicle Information Processing System, Vehicle Information Processing Method, And Program |
JP2011257212A (ja) * | 2010-06-08 | 2011-12-22 | Institute Of National Colleges Of Technology Japan | コンクリート構造物の中性化深さ予測装置および中性化深さをコンピュータに計算させるためのプログラム |
US20140278335A1 (en) * | 2013-03-13 | 2014-09-18 | Sas Institute Inc. | Techniques for automated bayesian posterior sampling using markov chain monte carlo and related schemes |
CN103377316A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 基于统计分析和贝叶斯集成的青霉素生产过程监测方法 |
CN103376795A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 一种基于集成学习建模技术的半导体过程监测方法 |
CN105930906A (zh) * | 2016-04-15 | 2016-09-07 | 上海大学 | 一种基于特征加权和改进贝叶斯算法的摔倒检测方法 |
Non-Patent Citations (4)
Title |
---|
GE Z Q ETAL.: "A comparative study of just-in-time-learning based methods for online soft sensor modeling", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
LIN B ETAL.: "A systematic approach for soft sensor development", 《COMPUTERS AND CHEMICAL ENGINEERING》 * |
姚沛津: "基于朴素贝叶斯的集成算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
雷瑜: "机器学习在化工软测量建模中的若干应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464017A (zh) * | 2017-08-01 | 2017-12-12 | 浙江大学 | 基于带时间差分贝叶斯网络的自适应软测量预测方法 |
CN107248003A (zh) * | 2017-08-03 | 2017-10-13 | 浙江大学 | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 |
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
CN108416463A (zh) * | 2018-01-29 | 2018-08-17 | 中南大学 | 一种加氢裂化过程的产品质量预测方法和系统 |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109240090A (zh) * | 2018-11-08 | 2019-01-18 | 浙江大学 | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 |
CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
CN110782041A (zh) * | 2019-10-18 | 2020-02-11 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
CN110782041B (zh) * | 2019-10-18 | 2022-08-02 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
CN113449746A (zh) * | 2020-03-24 | 2021-09-28 | 北京京东振世信息技术有限公司 | 尾气遥测数据修正方法和装置 |
CN113449746B (zh) * | 2020-03-24 | 2023-09-26 | 北京京东振世信息技术有限公司 | 尾气遥测数据修正方法和装置 |
CN113032519A (zh) * | 2021-01-22 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 一种句子相似度判断方法、装置、计算机设备及存储介质 |
CN113658646A (zh) * | 2021-08-12 | 2021-11-16 | 浙江工业大学 | 一种基于集成概率建模的聚合过程分子量分布预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106897775B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897775B (zh) | 基于贝叶斯集成学习的软测量建模方法 | |
CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN104915522B (zh) | 结合过程先验和数据驱动模型的混合建模方法及系统 | |
Özmen et al. | The new robust conic GPLM method with an application to finance: prediction of credit default | |
Dhibi et al. | A hybrid approach for process monitoring: Improving data-driven methodologies with dataset size reduction and interval-valued representation | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN112650063B (zh) | 一种基于半监督增量高斯混合回归的自适应软测量方法 | |
CN104778298A (zh) | 基于egmm的高斯过程回归软测量建模方法 | |
CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN102880809A (zh) | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 | |
CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
Debón et al. | Fault diagnosis and comparing risk for the steel coil manufacturing process using statistical models for binary data | |
CN106647285B (zh) | 一种基于软测量技术的催化剂活性检测方法 | |
CN109033524A (zh) | 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法 | |
Costantini et al. | On using predictive-ability tests in the selection of time-series prediction models: A Monte Carlo evaluation | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN115035962A (zh) | 基于变分自编码器和生成对抗网络的虚拟样本生成及软测量建模方法 | |
Fu et al. | Prediction of financial economic time series based on group intelligence algorithm based on machine learning | |
Liu et al. | Soft sensor modelling of acrolein conversion based on hidden Markov model of principle component analysis and fireworks algorithm | |
CN111797574A (zh) | 聚合物分子量分布的集成高斯过程回归模型方法 | |
Chen et al. | The Application of Adaptive Generalized NGBM (1, 1) To Sales Forecasting: A Case Study of an Underwear Shop. | |
CN109636050A (zh) | 基于mds的rbf对石化行业生产能力的预测模型 | |
CN117524337B (zh) | 基于双流慢-非平稳快特征提取的co2含量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190402 Termination date: 20200125 |
|
CF01 | Termination of patent right due to non-payment of annual fee |