CN107451101B - 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 - Google Patents
一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 Download PDFInfo
- Publication number
- CN107451101B CN107451101B CN201710598996.4A CN201710598996A CN107451101B CN 107451101 B CN107451101 B CN 107451101B CN 201710598996 A CN201710598996 A CN 201710598996A CN 107451101 B CN107451101 B CN 107451101B
- Authority
- CN
- China
- Prior art keywords
- model
- gaussian
- different
- output
- formula
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Abstract
本发明公开了一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法,用于复杂多变的多阶段性的化工过程。该方法是一种在线的多模型策略。用高斯混合模型对过程的不同阶段进行辨识,对各阶段的数据进行主成分分析,依据各辅助变量在主元空间上的贡献度,将各模态数据分别划分成若干子空间,建立相应的高斯过程回归软测量模型。当新的数据到来时,采用子空间PCA进行变量选择,根据离线建立的软测量模型,可得到各模型的预测输出。对子空间模型输出进行均值融合,可得到第一层集成输出,即各模态下的局部预测输出,最终根据计算得到的新的数据隶属于每个不同阶段的后验概率,用后验概率对各模态局部预测进行融合,得到第二层集成输出。能够对关键变量进行精确预测,从而提高产品质量,降低生产成本。
Description
技术领域
本发明涉及一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法,属于复杂工业过程建模和软测量领域。
背景技术
化工、冶金和发酵等工业过程中的一些重要质量变量,往往无法或难以通过在线仪表测量。基于数据驱动的软测量建模方法,无需深入了解过程的机理知识,在工业过程建模中得到了广泛应用。常用的线性建模方法如主成分回归(Principal componentregression,PCR)、偏最小二乘(Partial least squares,PLS)等可以很好的处理过程数据间的线性关系并进行建模。
然而,化工过程常呈现显著的非线性特征,因此非线性建模方法如人工神经网络(Artificial neural networks,ANN)、支持向量机(Support vector machine,SVM)和高斯过程回归(Gaussian process regression,GPR)等得到广泛应用。针对化工过程中的多阶段特征,各种聚类算法如K均值(K-means)、模糊C均值(Fuzzy C means,FCM)和高斯混合模型(Gaussian mixture model,GMM)等被广泛用于过程数据的阶段划分,从而提取多阶段特征。
集成学习思想的本质是将一系列有差异的模型进行组合,以提高模型的泛化能力与预测精度。集成学习的首要任务是划分子数据集,常用的划分方法有Bagging、Boosting、聚类和子空间方法等。Chen等采用Bagging算法提升高斯过程回归模型的泛化能力与预测精度,通过聚丙烯聚合过程验证了所提方法的有效性;Cao等采用Boosting算法产生若干有差异的样本子集,并将所提方法应用于心脏病数据的分类和近红外光谱数据的回归预测,可以有效的增强模型的分类性能和预测精度;Li等采用聚类算法将原始数据集划分为不同的子样本集,通过对子模型的融合得到最终的预测输出,结合不同数据集的仿真对所提方法的有效性进行了验证;Ge等采用子空间PLS方法将原始数据集划分为不同的子样本集,并建立相应的PLS回归模型,采用均值融合方式到最终的预测输出,实现了对近红外光谱蛋白质含量的预测。
Bagging、Boosting和聚类三种方法在样本维度上划分子数据集,子空间方法在变量维度构建子数据集。常规的集成学习仅从单一的样本或变量维度建立软测量模型,没有充分利用样本所包含的两个维度信息,因此Wang等提出了一种分层集成的软测量模型结构,采用GMM进行样本划分,利用随机重采样策略和偏互信息准则进行变量的划分与选择,达到增强模型的多样性,最后采用PLS剪枝技术去除冗余模型,所提方法的有效性在田纳西化工过程与工业橡胶混合过程得到了验证。虽然采用随机重采样策略可以增强模型的泛化能力,但是模型结构存在一定的不确定性。
综上所述,一种基于GMM与子空间主成分分析(Subspace principle componentanalysis,SPCA)的分层集成高斯过程回归(hierarchical ensemble Gaussian processregression,HEGPR)软测量建模方法,从样本和变量多个角度考虑建立了分层集成软测量模型,既考虑到样本含有的信息,又考虑了输入变量的多样性信息,同时模型具有良好的稳定性与泛化能力。HEGPR模型结构上有两层集成,第一层集成对采用GMM方法得到的子样本集,利用SPCA划分子空间数据集,并建立集成高斯过程回归(SPCA-GPR)模型,采用均值融合方式得到第一层的预测输出。第二层集成针对SPCA-GPR模型得到的各操作阶段的局部输出进行再次融合,采用后验概率融合方式得到最终的模型输出。HEGPR可以有效的解决工业过程中的多阶段和非线性问题。
发明内容
针对于化工过程呈现的非线性和多阶段性,产品质量往往得不到保证,为了提高产品的质量,本发明提供一种可在线测量多阶段化工过程产品质量的多模型融合软测量建模方法。
通过GMM对化工过程不同的阶段性进行辨识,然后在特定的阶段子空间PCA建立泛化能力优异的SPCA-GPR模型。对SPCA-GPR子模型进行均值融合,得到各操作阶段下的局部预测值,最后,对于不同的操作阶段,根据辨识得到的后验概率对局部预测值进行融合,实现对化工过程产品质量的在线估计,从而提高产量,降低生产成本。
本发明的目的是通过以下技术方案实现的:
分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法,所述方法包括以下过程:针对于复杂多变的多阶段性的化工过程,用高斯混合模型对过程的不同阶段进行辨识,并采用一种集成学习的方法,建立有差异性的高斯过程回归模型,增强模型的泛化能力。
当新的数据到来时,根据SPCA选择模型对应的变量,根据建立的离线高斯过程回归模型,得到各SPCA-GPR的预测输出值,对各子模型的预测值进行均值融合,可得到各操作阶段下的局部预测值。
最终根据计算得到的新的数据隶属于每个不同阶段的后验概率,对局部预测值进行融合输出,能够对关键变量进行精确预测,从而提高产品质量,降低生产成本。
附图说明
图1是HEGPR测试样本在线预测流程图;
图2HEGPR建模流程图;
图3脱丁烷塔过程各模态子空间选择变量个数;
图4三种建模方法(1.GPR全局模型;2.基于GMM的GPR多模型(简记为GMM-GPR);3.分层集成高斯过程回归软测量模型(HEGPR))对丁烷浓度的预测结果;
图5对丁烷浓度三种建模方法的预测误差;
图6阶段1中不同子空间下各变量的贡献指标;
图7GMM-EGPR(基于随机子空间的分层集成软测量模型)和HEGPR的预测结果散点图;
图8GMM-EGPR和HEGPR的预测误差;
具体实施方式
下面结合图1所示,对本发明做进一步详述:
以常见的化工过程——脱丁烷塔过程为例。实验数据来自于脱丁烷塔过程,对预测产品塔底丁烷浓度进行预测。
步骤1:收集输入输出数据组成历史训练数据库。
步骤2:基于历史训练数据估计得到高斯混合模型(Gaussian mixture model,GMM)的参数,然后把完整的输入和输出训练数据划分到不同的操作阶段,所述的GMM算法为:
GMM假设数据服从具有未知参数的混合高斯分布。给定训练样本集X∈Rn×m和y∈Rn ×1,其中n是样本点个数,m是样本维数。假定训练样本X服从K成分的高斯混合模型,则概率密度可以表示为:
其中,m是过程变量的维数,n是训练样本的个数,Θ={π1,…,πK,μ1…μK,Σ1,…,ΣK}是高斯混合模型的参数,其中μk、ΣK和πk分别代表第k个高斯成分的均值、协方差和权值;同时,参数πk满足和0≤πk≤1。
式(1)中N(X|Θi)表示多元高斯概率密度函数:
通过期望最大化算法(expectation-maximization,EM)估计模型的参数,对于新来样本xq对于每个高斯成分的后验概率可通过式(3)计算得到。
步骤3:根据步骤2辨识得到的不同操作阶段,对应建立不同的子数据库,针对不同的操作阶段数据采用子空间PCA进行分解,子空间PCA算法为:
假设有训练样本集D={X,y},其中X={xi∈Rm}i=1,2,...,n是n个训练输入样本,m是辅助变量个数,y={yi∈R}i=1,2,...,n是n个输出样本。PCA模型如式(4)和(5)所示。
X=TPT+E (4)
T=XP (5)
式中,P∈Rm×t和T∈Rn×t分别表示第k个操作阶段下的载荷矩阵和得分矩阵,E∈Rn ×m表示残差矩阵,t表示选择的主成分数目。
不同主元之间互不相关,根据主元方向构建不同的子模型,增加模型间的差异性,在每个主元方向上,由每个变量的贡献指数(contribution index,CI)来衡量其重要性,贡献指数的定义如式(6)所示。
其中i=1,2,...,m,j=1,2,...,t,pij是载荷矩阵对应的第j个主元上的第i个元素。CI的值越大,表示变量包含的信息越多,与主元方向的相关性越强。根据CI的值进行降序排列,设置不同的CI阈值确定各子空间模型选取的辅助变量个数。
基于主元方向的不相关性,根据d个不同主元方向将训练样本集X划分为d个不同的子空间。
步骤4:在d个不同主元方向将第k个操作阶段下的样本集Sk划分为d个不同的子空间;
步骤5:对不同的子空间建立离线的局部GPR模型为:
给定数据集{X,y},其中X∈Rn×m,y∈Rn×1,n样本点数,m是样本维数。输入输出之间满足式(8)所示
y=f(x)+ε (8)
y~N(0,C) (9)
式中C为n×n的协方差矩阵,其i行j列元素定义为Cij=C(xi,xj;θ),协方差矩阵通过核函数计算得到,文中选取平方指数协方差核函数,定义如式(10)所示
对于新来的样本xq,其对应的GPR模型输出均值和方差如式(11)和(12)所示
其中c(xq)=[C(xq,x1),...,C(xq,xn)]是新来样本与训练样本间的协方差矩阵,C是训练样本之间的协方差矩阵,C(xq,xq)是新来样本的自协方差。
步骤6:对于新来样本点,根据式(12)所示建立好的离线SPCA-GPR模型,得到子空间下的预测值,由式(13)得到第一层集成输出;
步骤7:计算新来样本点对于各操作阶段的后验概率,根据式(14)进行融合输出,得到最终的质量预测,完成第二层集成输出
P(Sk|xq)根据式(3)可计算得到
图4是预测产品塔底丁烷浓度的在线预测值和实际值拟合曲线散点分布,并且与所建立的GPR全局模型和基于GMM的GPR多模型软测量模型进行了比较。图8是预测产品塔底丁烷浓度的在线预测值和实际值拟合曲线散点分布,与所建立的基于随机子空间的分层集成软测量模型进行了比较。由图可知,基于分层集成的高斯过程回归软测量模型能够有效地预测脱丁烷塔过程中的塔底丁烷浓度含量。
Claims (1)
1.一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法,其特征在于,该方法步骤为:
步骤1:收集过程输入输出数据,组成历史训练数据库,所述数据来自于脱丁烷塔过程;
步骤2:基于历史训练数据估计得到高斯混合模型的参数,然后把完整的输入和输出训练数据划分到不同的操作阶段,所述的高斯混合模型算法为:
高斯混合模型假设数据服从具有未知参数的混合高斯分布,给定训练样本集X∈Rn×m和y∈Rn×1,其中n是样本点个数,m是样本维数,假定训练样本X服从K成分的高斯混合模型,则概率密度可以表示为:
其中,m是过程变量的维数,n是训练样本的个数,Θ={π1,…,πK,μ1…μK,Σ1,…,ΣK}是高斯混合模型的参数,其中μk、ΣK和πk分别代表第k个高斯成分的均值、协方差和权值;同时,参数πk满足和0≤πk≤1,式(1)中N(X|Θi)表示多元高斯概率密度函数:
通过期望最大化算法估计模型的参数,对于新来样本xq对于每个高斯成分的后验概率可通过式(3)计算得到;
步骤3:根据步骤2辨识得到的不同操作阶段,对应建立不同的子数据库,针对不同的操作阶段数据采用子空间PCA进行分解,子空间PCA算法为:
假设有训练样本集D={X,y},其中X={xi∈Rm}i=1,2,...,n是n个训练输入样本,m是辅助变量个数,y={yi∈R}i=1,2,...,n是n个输出样本,PCA模型如式(4)和(5)所示:
X=TPT+E (4)
T=XP (5)
式中,P∈Rm×t和T∈Rn×t分别表示第k个操作阶段下的载荷矩阵和得分矩阵,E∈Rn×m表示残差矩阵,t表示选择的主成分数目,不同主元之间互不相关,根据主元方向构建不同的子模型,增加模型间的差异性,在每个主元方向上,由每个变量的贡献指数来衡量其重要性,贡献指数的定义如式(6)所示:
其中i=1,2,...,m,j=1,2,...,t,pij是载荷矩阵对应的第j个主元上的第i个元素,CI的值越大,表示变量包含的信息越多,与主元方向的相关性越强,根据CI的值进行降序排列,设置不同的CI阈值确定各子空间模型选取的辅助变量个数;
基于主元方向的不相关性,根据不同主元方向将训练样本集X划分为d个不同的子空间;
步骤4:在d个不同主元方向将第k个操作阶段下的样本集Sk划分为d个不同的子空间;
步骤5:对不同的子空间建立离线的局部SPCA-GPR模型;
给定数据集{X,y},其中X∈Rn×m,y∈Rn×1,n样本点数,m是样本维数,输入输出之间满足式(8)所示关系:
y=f(x)+ε (8)
y~N(0,C) (9)
式中C为n×n的协方差矩阵,其i行j列元素定义为Cij=C(xi,xj;θ),协方差矩阵通过核函数计算得到,文中选取平方指数协方差核函数,定义如式(10)所示:
对于新来的样本xq,其对应的GPR模型输出均值和方差如式(11)和(12)所示:
其中c(xq)=[C(xq,x1),...,C(xq,xn)]是新来样本与训练样本间的协方差矩阵,C是训练样本之间的协方差矩阵,C(xq,xq)是新来样本的自协方差;
步骤6:对于新来样本点,根据式(12)所示建立好的离线SPCA-GPR模型,得到子空间下的预测值,由式(13)得到第一层集成输出;
步骤7:计算新来样本点对于各操作阶段的后验概率,根据式(14)进行融合输出,得到最终的质量预测,完成第二层集成输出:
其中的P(Sk|xq)根据式(3)可计算得到:
步骤8,预测产品塔底丁烷浓度的在线预测值和实际值拟合曲线散点分布,与所建立的基于随机子空间的分层集成软测量模型进行了比较,基于分层集成的高斯过程回归软测量模型能够有效地预测脱丁烷塔过程中的塔底丁烷浓度含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598996.4A CN107451101B (zh) | 2017-07-21 | 2017-07-21 | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598996.4A CN107451101B (zh) | 2017-07-21 | 2017-07-21 | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451101A CN107451101A (zh) | 2017-12-08 |
CN107451101B true CN107451101B (zh) | 2020-06-09 |
Family
ID=60487967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710598996.4A Active CN107451101B (zh) | 2017-07-21 | 2017-07-21 | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451101B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595518A (zh) * | 2018-03-26 | 2018-09-28 | 中南大学 | 一种氧化铝生产蒸发过程在线数据协调方法及系统 |
CN108549757B (zh) * | 2018-04-03 | 2021-10-26 | 浙江工业大学 | 一种模型自选择的往复式混输泵排出流率预测方法 |
WO2019213860A1 (en) * | 2018-05-09 | 2019-11-14 | Jiangnan University | Advanced ensemble learning strategy based semi-supervised soft sensing method |
CN109033524B (zh) * | 2018-06-27 | 2022-04-29 | 浙江大学 | 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 |
CN109102033A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种面向动态系统模型验证的多元数据分析方法 |
CN110046378B (zh) * | 2019-02-28 | 2022-09-13 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110377942B (zh) * | 2019-06-10 | 2023-01-17 | 广东工业大学 | 一种基于有限高斯混合模型的多模型时空建模方法 |
CN110309491B (zh) * | 2019-06-26 | 2022-10-14 | 大连海事大学 | 一种基于局部高斯混合模型的暂态相位划分方法及系统 |
CN110472689B (zh) * | 2019-08-19 | 2022-11-15 | 东北大学 | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 |
CN111177970B (zh) * | 2019-12-10 | 2021-11-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
CN110969370B (zh) * | 2020-01-14 | 2023-05-02 | 深圳市建筑科学研究院股份有限公司 | 建筑结构构件的质量风险分析方法 |
CN111553048B (zh) * | 2020-03-23 | 2023-09-22 | 中国地质大学(武汉) | 一种基于高斯过程回归的烧结过程运行性能预测的方法 |
CN111582567B (zh) * | 2020-04-28 | 2022-07-01 | 昆明理工大学 | 一种基于递阶集成的风电功率概率预测方法 |
CN111863151B (zh) * | 2020-07-15 | 2024-01-30 | 浙江工业大学 | 基于高斯过程回归的聚合物分子量分布的预测方法 |
CN111797574A (zh) * | 2020-07-17 | 2020-10-20 | 浙江工业大学 | 聚合物分子量分布的集成高斯过程回归模型方法 |
CN111797540A (zh) * | 2020-07-17 | 2020-10-20 | 浙江工业大学 | 结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法 |
CN112650063B (zh) * | 2020-12-30 | 2022-04-29 | 浙江大学 | 一种基于半监督增量高斯混合回归的自适应软测量方法 |
CN113591259B (zh) * | 2021-08-11 | 2022-05-03 | 华北电力大学 | 一种供热管道动态等值建模方法 |
CN114812798B (zh) * | 2022-05-27 | 2024-03-01 | 沈阳工学院 | 基于信号分解与高斯过程的球磨机负荷参数软测量方法 |
CN115290130B (zh) * | 2022-10-08 | 2022-12-16 | 香港中文大学(深圳) | 一种基于多元概率量化的分布式信息估计方法 |
CN115456202B (zh) * | 2022-11-08 | 2023-04-07 | 苏州浪潮智能科技有限公司 | 一种提高工作机学习性能的方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751921A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 一种在训练数据量极少条件下的实时语音转换方法 |
CN104699894A (zh) * | 2015-01-26 | 2015-06-10 | 江南大学 | 基于实时学习的高斯过程回归多模型融合建模方法 |
CN105845140A (zh) * | 2016-03-23 | 2016-08-10 | 广州势必可赢网络科技有限公司 | 应用于短语音条件下的说话人确认方法和装置 |
CN106934414A (zh) * | 2017-02-15 | 2017-07-07 | 华南理工大学 | 一种基于带噪音标签数据的渐进性集成分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205224B (zh) * | 2015-08-28 | 2018-10-30 | 江南大学 | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 |
-
2017
- 2017-07-21 CN CN201710598996.4A patent/CN107451101B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751921A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 一种在训练数据量极少条件下的实时语音转换方法 |
CN104699894A (zh) * | 2015-01-26 | 2015-06-10 | 江南大学 | 基于实时学习的高斯过程回归多模型融合建模方法 |
CN105845140A (zh) * | 2016-03-23 | 2016-08-10 | 广州势必可赢网络科技有限公司 | 应用于短语音条件下的说话人确认方法和装置 |
CN106934414A (zh) * | 2017-02-15 | 2017-07-07 | 华南理工大学 | 一种基于带噪音标签数据的渐进性集成分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107451101A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451101B (zh) | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
Abonyi et al. | Modified Gath-Geva fuzzy clustering for identification of Takagi-Sugeno fuzzy models | |
Ge et al. | A comparative study of just-in-time-learning based methods for online soft sensor modeling | |
CN104699894B (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
Yang et al. | Soft sensor development for online quality prediction of industrial batch rubber mixing process using ensemble just-in-time Gaussian process regression models | |
CN110046378B (zh) | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 | |
Zhu et al. | Robust supervised probabilistic principal component analysis model for soft sensing of key process variables | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN109840362A (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN110633846A (zh) | 燃气负荷预测方法和装置 | |
CN109493921A (zh) | 一种基于多代理模型的常压精馏过程建模方法 | |
CN114004346A (zh) | 基于门控堆叠同构自编码器的软测量建模方法及存储介质 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
Edgulova et al. | Algorithm parallelizing for classifying the complex systems | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
Saha et al. | Missing value estimation in DNA microarrays using linear regression and fuzzy approach | |
CN108827905A (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
Rastegar et al. | Self-adaptive takagi-sugeno model identification methodology for industrial control processes | |
CN112381145A (zh) | 基于最近相关谱聚类的高斯过程回归多模型融合建模方法 |
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 |