CN111062118A - 一种基于神经网络预测分层的多层软测量建模系统及方法 - Google Patents

一种基于神经网络预测分层的多层软测量建模系统及方法 Download PDF

Info

Publication number
CN111062118A
CN111062118A CN201911126724.XA CN201911126724A CN111062118A CN 111062118 A CN111062118 A CN 111062118A CN 201911126724 A CN201911126724 A CN 201911126724A CN 111062118 A CN111062118 A CN 111062118A
Authority
CN
China
Prior art keywords
sample points
neural network
rsm
response surface
classification
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
CN201911126724.XA
Other languages
English (en)
Other versions
CN111062118B (zh
Inventor
蔡奕侨
程美琴
邹烨
傅顺开
田晖
陈永红
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN201911126724.XA priority Critical patent/CN111062118B/zh
Publication of CN111062118A publication Critical patent/CN111062118A/zh
Application granted granted Critical
Publication of CN111062118B publication Critical patent/CN111062118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种基于神经网络预测分层的多层软测量建模系统及方法，方法包括：通过分析整个工艺过程的化学反应机理、物料平衡和能量守恒原理，确定难以测量的主导变量和易测量的辅助变量，然后建立功能良好的软测量结构，来达到对主导变量实时监测的功能。本发明将传统的RSM数学模型进行拆分多层，主要是将数据库中的样本点根据一定的规律相似特性进行分类，并采用神经网络算法基于有限的样本点分类情况建立弱分类预测数学模型，可以很好的对样本点的分类进行预测，然后分别对不同类别的样本点进行数学建模，从而建立不同类别样本点的响应面数学模型，该方法可以最大限度的提高所建立数学模型的精度，减小预测误差。

Description

一种基于神经网络预测分层的多层软测量建模系统及方法
技术领域
本发明涉及神经网络及计算机处理技术领域，尤其涉及一种基于神经网络预测分层的多层软测量建模系统及方法。
背景技术
软测量是把生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。软测量建模方法适用于工艺机理清晰的工业生产过程的变量预测，具体原理是通过分析整个工艺过程的化学反应机理、物料平衡和能量守恒原理，确定难以测量的主导变量和易测量的辅助变量，然后建立功能良好的软测量结构，来达到对主导变量实时监测的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量,易于达到对产品质量的控制。传统的软测量技术主要通过响应面法(RSM)或神经网络算法建模来实现数学预测。响应面分析法，即响应曲面设计方法，是利用合理的试验设计方法并通过实验得到一定数据，采用多元二次回归方程来拟合因素与响应值之间的函数关系，通过对回归方程的分析来寻求最优工艺参数，解决多变量问题的一种统计方法。响应面法可以处理多输入变量与输出响应之间的数学关系，当建立了完整的RSM数学模型后，可以对任何随机输入变量组合进行输出响应的预测，可以看出响应面法的核心是对样本点的拟合，样本点和响应面总会存在一定的误差，尤其当输入变量较多时，只能对输入和输出之间的大概变化趋势进行拟合。为了减小RSM数学模型预测输出响应的误差值，本发明提供一种基于神经网络预测分层的多层RSM数学建模方法，将样本点进行弱分类，从而建立不同类别样本点的响应面数学模型，该方法可以最大限度的提高所建立数学模型的精度，减小预测误差。
发明内容
本发明一种基于神经网络预测分层的多层软测量建模系统及方法，最大限度的减少了数学模型的预测误差，预测精度可提高多个量级，预测值更可靠。
本发明解其技术问题所采用的技术方案是：
一方面，本发明一种基于神经网络预测分层的多层软测量建模系统，针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模系统具体包括：
第一级模块，用于针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
第二级模块，用于针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
第二级模块，用于分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
优选的，所述第一级模块的具体实现包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类。
优选的，所述第二级模块的具体实现包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
优选的，所述第三级模块的具体实现包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
另一方面，本发明一种基于神经网络预测分层的多层软测量建模方法，针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模方法具体包括：
S101，针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
S102，针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
S103，分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
优选的，所述S101，具体包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类。
优选的，所述S102，具体包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
优选的，所述S103，具体包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
优选的，所述S103对不同类别的样本点进行数学预测的模型包：径向基函数模型RBF、Kriging模型和神经网络模型NN。
优选的，所述建模方法，还包括：对所述S103中建立的三个类别的数学模型进行二次分类，即对不同类别的样本点进行再次分类，并再次添加神经网络预测单元对二级的分类进行弱分类，并建立拟合精度更高的多层RSM数学预测模型。
本发明的有益效果如下：
本发明一种基于神经网络预测分层的多层软测量建模系统及方法，通过分析整个工艺过程的化学反应机理、物料平衡和能量守恒原理，确定难以测量的主导变量和易测量的辅助变量，然后建立功能良好的软测量结构，来达到对主导变量实时监测的功能。本发明是将传统的RSM数学模型进行拆分多层，将数据库中的样本点根据一定的规律相似特性进行分类，并采用神经网络算法基于有限的样本点分类情况建立弱分类预测数学模型，可以很好的对样本点的分类进行预测，然后分别对不同类别的样本点进行数学建模，可以知道规律相似的样本点所建立的RSM数学模型预测误差会明显更小。
附图说明
图1是本发明的流程原理图；其中的神经网络为一个神经网络弱分类数学模型；
图2是一个简单的单输入变量单层数学模型预测和样本点对比图；
图3是一个单输入变量多层数学模型预测和样本点对比图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
参见图1所示，一方面，本发明一种基于神经网络预测分层的多层软测量建模系统，针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模系统具体包括：
第一级模块，用于针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
第二级模块，用于针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
第二级模块，用于分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
所述第一级模块的具体实现包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类，详细的分类如表1。
表1样本点弱分类原则
样本点 输入变量X 实际输出变量Y<sub>real</sub> RSM_0预测Y<sub>RSM</sub> Y<sub>real</sub>-Y<sub>RSM</sub> 类别Z
1 X{1} Y<sub>real</sub>{1} Y<sub>RSM</sub>{1} >+ξ 1
2 X{2} Y<sub>real</sub>{2} Y<sub>RSM</sub>{2} [-ξ,+ξ] 2
3 X{3} Y<sub>real</sub>{3} Y<sub>RSM</sub>{3} >+ξ 1
4 X{4} Y<sub>real</sub>{4} Y<sub>RSM</sub>{4} <-ξ 3
5 X{5} Y<sub>real</sub>{5} Y<sub>RSM</sub>{5} <-ξ 3
6 X{6} Y<sub>real</sub>{6} Y<sub>RSM</sub>{6} [-ξ,+ξ] 2
…… …… …… …… …… ……
n-1 X{n-1} Y<sub>real</sub>{n-1} Y<sub>RSM</sub>{n-1} [-ξ,+ξ] 2
n X{n} Y<sub>real</sub>{n} Y<sub>RSM</sub>{n} <-ξ 3
所述第二级模块的具体实现包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
所述第三级模块的具体实现包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
本实施例以A电厂某机组的脱硫指标参数的数据为研究对象，数据集由1个输入变量和一个目标输出变量(二氧化硫浓度)组成。所有输入变量和输出变量变量列于表1中。将样本数据集的前80％作为训练集，最后20％的数据作为验证集，构建预测模型，对电厂脱硫控制系统净烟气二氧化硫浓度的预测。
本实施针对一个几何结构的体积和质量之间的关系进行数学建模，几何体的内部并非密度均匀，目前有33个样本点，各样本点对应的体积和质量如表2所示。
表2所有样本点的详细数据
Figure BDA0002277066490000051
Figure BDA0002277066490000061
将所有33个样本点进行单层数学模型的拟合，得到的回归方程为：
y＝2.0522x+1.6531 (1)
其中：
R2＝0.9158 (2)
样本点和对应的数学模型如图2所示，可看出误差较大。图2中，横轴为样本点体积作为输入变量，纵轴为样本点质量作为输出变量。
将所有33个样本点进行分类，如表3所示，然后基于神经网络根据有限的样本点分类情况建立弱分类预测数学模型，最后针对分类后的样本点进行多层数学模型的拟合，得到的三个回归方程分别为：
RSM_1：y＝2.0045x-0.0636 (3)
R2＝0.9979 (4)
RSM_2：y＝2.0009x+2.4052 (5)
R2＝0.9976 (6)
RSM_3：y＝2.0045x+4.7427 (7)
R2＝0.9985 (8)
样本点和对应的数学模型如图3所示，可以看出将样本点分层三类之后，误差大大降低，R2十分接近于1，可以实现对输出变量进行更好的预测。图3中，横轴为样本点体积作为输入变量，纵轴为样本点质量作为输出变量。
表3规律相似的样本点分类情况
Figure BDA0002277066490000062
Figure BDA0002277066490000071
另一方面，本发明一种基于神经网络预测分层的多层软测量建模方法，针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模方法具体包括：
S101，针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
S102，针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
S103，分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
优选的，所述S101，具体包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类。
优选的，所述S102，具体包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
优选的，所述S103，具体包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
优选的，所述S103对不同类别的样本点进行数学预测的模型包：径向基函数模型RBF、Kriging模型和神经网络模型NN。
优选的，所述建模方法，还包括：对所述S103中建立的三个类别的数学模型进行二次分类，即对不同类别的样本点进行再次分类，并再次添加神经网络预测单元对二级的分类进行弱分类，并建立拟合精度更高的多层RSM数学预测模型。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (10)

1.一种基于神经网络预测分层的多层软测量建模系统，其特征在于：针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模系统具体包括：
第一级模块，用于针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
第二级模块，用于针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
第二级模块，用于分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
2.根据权利要求1所述的基于神经网络预测分层的多层软测量建模系统，其特征在于，所述第一级模块的具体实现包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类。
3.根据权利要求2所述的基于神经网络预测分层的多层软测量建模系统，其特征在于，所述第二级模块的具体实现包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
4.根据权利要求3所述的基于神经网络预测分层的多层软测量建模系统，其特征在于，所述第三级模块的具体实现包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
5.一种基于神经网络预测分层的多层软测量建模方法，其特征在于：针对于难以测量或者暂时不能测量的重要变量进行预测估计，通过容易测量的多个相关变量和软测量响应变量之间的关系来进行神经网络的训练建模，所述的建模方法具体包括：
S101，针对样本点的输入变量和输出响应采用响应面法对样本点进行建模拟合，并根据拟合效果对样本点进行简单弱分类；
S102，针对简单弱分类的分类结果，基于神经网络法对输入变量和分类响应进行训练测试，实现基于神经网络数学模型对样本点进行高精度的预测分类，即建立基于神经网络可预测分类的数学模型；
S103，分别对不同分类的样本点进行响应面法的数学建模，对输出变量进行预测。
6.根据权利要求5所述的基于神经网络预测分层的多层软测量建模方法，其特征在于，所述S101，具体包括：
首先选择一个研究对象，确定该研究对象的多个输入变量及各输入变量的约束区间，确定一个或多个响应目标作为输出变量，基于最优拉丁超立方采样法在所有输入变量的约束区间内进行采样，从而建立不同输入组合的样本点数据库，并基于数据库中的样本点选择响应面法建立输入变量X与输出响应Y之间的数学关系RSM_0；接下来以建立的响应面RSM_0为基准面，定义一个误差变量ξ，当样本点对应的输出变量真实值Yreal减去响应面法预测值YRSM的差值大于+ξ时，即Yreal-YRSM>+ξ，则将该样本点归为第1类，当-ξ<Yreal-YRSM<+ξ时，则将该样本点归为第2类，当Yreal-YRSM<-ξ时，则将该样本点归为第3类。
7.根据权利要求6所述的基于神经网络预测分层的多层软测量建模方法，其特征在于，所述S102，具体包括：
建立神经网络弱分类数学模型，以X作为输入变量，类别Z作为输出变量，并随机选取0.8n个样本点作为训练样本，0.2n个样本点作为测试样本，建立输入变量X与类别Z之间的神经网络弱分离数学模型，从而针对输入变量X对样本点进行预分类；其中n表示样本点个数。
8.根据权利要求7所述的基于神经网络预测分层的多层软测量建模方法，其特征在于，所述S103，具体包括：
分别针对不同类别的样本点建立响应面法数学模型，针对类别1中的所有样本点拟合响应面数学模型RSM_1，针对类别2中的所有样本点拟合响应面数学模型RSM_2，针对类别3中的所有样本点拟合响应面数学模型RSM_3；对应的响应面数学模型完成输出变量的最终预测。
9.根据权利要求8所述的基于神经网络预测分层的多层RSM数学建模方法，其特征在于，所述S103对不同类别的样本点进行数学预测的模型包：径向基函数模型RBF、Kriging模型和神经网络模型NN。
10.根据权利要求8所述的基于神经网络预测分层的多层RSM数学建模方法，其特征在于，还包括：对所述S103中建立的三个类别的数学模型进行二次分类，即对不同类别的样本点进行再次分类，并再次添加神经网络预测单元对二级的分类进行弱分类，并建立拟合精度更高的多层RSM数学预测模型。
CN201911126724.XA 2019-11-18 2019-11-18 一种基于神经网络预测分层的多层软测量建模系统及方法 Active CN111062118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911126724.XA CN111062118B (zh) 2019-11-18 2019-11-18 一种基于神经网络预测分层的多层软测量建模系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911126724.XA CN111062118B (zh) 2019-11-18 2019-11-18 一种基于神经网络预测分层的多层软测量建模系统及方法

Publications (2)

Publication Number Publication Date
CN111062118A true CN111062118A (zh) 2020-04-24
CN111062118B CN111062118B (zh) 2023-05-05

Family

ID=70297829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911126724.XA Active CN111062118B (zh) 2019-11-18 2019-11-18 一种基于神经网络预测分层的多层软测量建模系统及方法

Country Status (1)

Country Link
CN (1) CN111062118B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113943039A (zh) * 2021-10-13 2022-01-18 东南大学 一种有机污染地下水原位化学氧化工艺的修复效果预测建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630376A (zh) * 2009-08-12 2010-01-20 江苏大学 多模型神经网络的生物发酵过程软测量建模方法及软仪表
CN101923083A (zh) * 2009-06-17 2010-12-22 复旦大学 基于支持向量机和神经网络的污水化学需氧量软测量方法
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN108334943A (zh) * 2018-01-03 2018-07-27 浙江大学 基于主动学习神经网络模型的工业过程半监督软测量建模方法
US20180350065A1 (en) * 2017-06-01 2018-12-06 International Business Machines Corporation Neural network classification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923083A (zh) * 2009-06-17 2010-12-22 复旦大学 基于支持向量机和神经网络的污水化学需氧量软测量方法
CN101630376A (zh) * 2009-08-12 2010-01-20 江苏大学 多模型神经网络的生物发酵过程软测量建模方法及软仪表
US20180350065A1 (en) * 2017-06-01 2018-12-06 International Business Machines Corporation Neural network classification
CN107505837A (zh) * 2017-07-07 2017-12-22 浙江大学 一种半监督神经网络模型及基于该模型的软测量建模方法
CN108334943A (zh) * 2018-01-03 2018-07-27 浙江大学 基于主动学习神经网络模型的工业过程半监督软测量建模方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113943039A (zh) * 2021-10-13 2022-01-18 东南大学 一种有机污染地下水原位化学氧化工艺的修复效果预测建模方法
CN113943039B (zh) * 2021-10-13 2023-04-14 东南大学 一种有机污染地下水原位化学氧化工艺的修复效果预测建模方法

Also Published As

Publication number Publication date
CN111062118B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN112382352B (zh) 基于机器学习的金属有机骨架材料结构特征快速评估方法
Farmani et al. Pipe failure prediction in water distribution systems considering static and dynamic factors
CN107992968B (zh) 基于集成时间序列分析技术的电能表计量误差预测方法
CN108241901B (zh) 一种基于预测数据的变压器预警评估方法及装置
Panoutsos et al. A neural-fuzzy modelling framework based on granular computing: Concepts and applications
CN113011796B (zh) 一种基于“层次分析-神经网络”的食用油安全预警方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
CN110619691B (zh) 一种板坯表面裂纹的预测方法及装置
CN110610209A (zh) 一种基于数据挖掘的空气质量预测方法及系统
CN106485289A (zh) 一种菱镁矿矿石的品级的分类方法及设备
CN111415008B (zh) 一种基于vmd-foa-grnn的船舶流量预测方法
Liu et al. Regression models for estimating product life cycle cost
CN108830417A (zh) 一种基于arma和回归分析的生活能源消费预测方法及系统
CN113011660A (zh) 空气质量预测方法、系统及存储介质
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
CN116520772A (zh) 基于多任务迁移学习的薄板零件数控加工质量预测方法
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN114015825A (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
CN112711912A (zh) 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质
Gao et al. Fault diagnosis for cooling dehumidifier based on fuzzy classifier optimized by adaptive genetic algorithm
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
CN116108963A (zh) 一种基于集成学习模块的电力碳排放预测方法及设备

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