CN116028757B - 一种基于多源信息融合的最优软测量模型生成方法及系统 - Google Patents
一种基于多源信息融合的最优软测量模型生成方法及系统 Download PDFInfo
- Publication number
- CN116028757B CN116028757B CN202310314942.6A CN202310314942A CN116028757B CN 116028757 B CN116028757 B CN 116028757B CN 202310314942 A CN202310314942 A CN 202310314942A CN 116028757 B CN116028757 B CN 116028757B
- Authority
- CN
- China
- Prior art keywords
- soft measurement
- measurement model
- basic
- function
- value
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012885 constant function Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013329 compounding Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 13
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 11
- 229910052698 phosphorus Inorganic materials 0.000 description 11
- 239000011574 phosphorus Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- APUPEJJSWDHEBO-UHFFFAOYSA-P ammonium molybdate Chemical compound [NH4+].[NH4+].[O-][Mo]([O-])(=O)=O APUPEJJSWDHEBO-UHFFFAOYSA-P 0.000 description 1
- 229940010552 ammonium molybdate Drugs 0.000 description 1
- 235000018660 ammonium molybdate Nutrition 0.000 description 1
- 239000011609 ammonium molybdate Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- -1 turbidity Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多源信息融合的最优软测量模型生成方法及系统，属于软测量技术领域，该方法包括：建立某种目标指标的软测量模型基本框架；搭建基础模型库；利用基础模型库中的基本函数按照软测量模型的基本框架组装成若干软测量模型从而形成软测量模型库；建立观测数据库；将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；将检测指标值带入软测量模型库中所有的软测量模型得到预测值；将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。本发明便于将软测量方法软件化，使得软测量更加简单，门槛更低。
Description
技术领域
本发明属于软测量技术领域，尤其涉及一种用于最优准则下多源信息融合的软测量数学模型的生成方法以及生成系统。
背景技术
软测量技术的基本思想就是应用计算机技术，把测控技术与生产工艺过程的知识有机地结合起来，对于一些难以测量或者暂时不能测量而对于控制却很重要的变量（主导变量）根据某些最优准则，选择另外一些在工业上容易检测且与主导变量有密切关系的辅助变量,如温度、压力、流量等多源变量,通过建立过程数学模型,利用多源信息融合技术及智能算法，通过软件计算实现对主导变量的最优估计,以软件来代替硬件(传感器)功能。
现有软测量技术在实施过程中对使用者能力要求较高，使用过程复杂，步骤繁琐，难以实现大规模的推广和使用，工程应用成本过高。
发明内容
有鉴于此，本发明提供一种基于多源信息融合的最优软测量模型生成方法及系统，便于将软测量建模软件化，使得软测量模型设计更加简单，门槛更低。
为解决以上技术问题，本发明的技术方案为采用一种基于多源信息融合的最优软测量模型生成方法，包括：
建立某种目标指标的软测量模型基本框架，所述基本框架为通过多源检测指标以及检测指标的权重系数来计算目标指标的预测值；
搭建基础模型库，所述基础模型库由若干基本函数组成；
利用基础模型库中的基本函数按照软测量模型的基本框架组装成若干软测量模型从而形成软测量模型库；
建立观测数据库，所述观测数据库内包括多源目标指标的观测值以及所述观测值对应的检测指标值；
将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；
将检测指标值带入软测量模型库中所有的软测量模型得到预测值；
将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。
作为一种改进，所述软测量模型的基本框架为
其中，为目标指标的预测值，k0~n为权重系数，x0~n为n+1种检测指标。
作为一种进一步的改进，所述基本函数包括常函数、幂函数、指数函数、对数函数、三角函数和反三角函数。
作为另一种更进一步的改进，组装软测量模型的方法包括：
将基本函数经过有限次的有理运算及有限次的函数运算进行复合，形成一个在定义域上能有一个方程表示的函数；
令为常数项，剩余项带入任意基本函数。
作为一种改进，对软测量模型中的基本函数进行常数项简化以确定常数项，且对基本函数进行线性化转换。
作为一种改进，对检测指标值进行线性化处理。
作为一种改进，所述求取软测量模型的权重系数的方法包括：
利用公式
K*=（XTX）-1*XTy
计算权重系数，其中K*为权重系数组，X为线性化处理后的检测指标值，XT为线性化处理后的检测指标值组，y为目标指标的观察值。
作为一种改进，所述将预测值与对应的观测值进行比较，求取误差最小的软测量模型的方法包括：
利用公式
计算误差矩阵，其中e为误差，y为目标指标的观察值，为目标指标的预测值；
筛选属于阈值范围内的误差；
利用公式
计算所有误差的标准差集合，其中S为标准差集合，i为误差数量，ea为误差，为误差平均值；
找出标准差集合中最小的标准差,所述最小标准差对应的软测量模型为误差最小的软测量模型。
作为一种改进，将最优软测量模型中线性转换后的基本函数进行还原。
本发明还提供一种基于多源信息融合的最优软测量模型生成系统，包括：
基本框架建立模块，用于建立某种目标指标的软测量模型基本框架，所述基本框架为通过若干检测指标以及检测指标的权重系数来计算目标指标的预测值；
基础模型库，包含若干基本函数；
软测量模型库搭建模块，用于利用基础模型库中的基本函数按照软测量模型的基本框架组装成若干软测量模型从而形成软测量模型库；
观测数据库，包括多源目标指标的观测值以及所述观测值对应的检测指标值；
软测量模型确定模块，用于将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；
预测值计算模块，用于将检测指标值带入软测量模型库中所有的软测量模型得到预测值；
误差比较模块，用于将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。
本发明的有益之处在于：
本发明利用基本函数按照软测量模型的基本框架组装出若干软测量模型，然后通过目标指标的观察值以及对应的检测指标值计算出软测量模型的权重系数组，再将检测指标值带入软测量模型寻求与偏差最小的软测量模型最为最优软测量模型。该方法进行软件化后，能够大大降低软测量的门槛，使得软测量简单化，模型化，具象化，可视化（数学函数可视），便捷化。
附图说明
图1为本发明的流程图。
图2为本发明的结构原理图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
自然界中并非所有的参数指标都可以直接通过传感器实时进行测量。例如氮和磷是水污染治理中的重要控制指标。现有的总磷总氮监测是通过分析仪器进行的，属于化学方法，如总磷采用钼酸铵分光光度法等。其采集一次水样后需要数小时才能检测出结果，所以只能对某个时间点的总磷总氮进行监测而无法实现连续在线监测。而要想实现连续监测，就需要采用其他一些能够直接测量的参数，通过软测量的方式实现连续实时的监测。本发明中所述的多源信息指的就是上述各种可以直接测量的参数。而软测量最重要决定因素是建模，找到最优的软测量模型，才能使模型计算出来的结果更加接近真实结果。
为了寻找最优软测量模型，如图1所示，本发明提供一种基于多源信息融合的最优软测量模型生成方法，包括：
S1建立某种目标指标的软测量模型基本框架，所述基本框架为通过若干检测指标以及检测指标的权重系数来计算目标指标的预测值。
同样以总磷为例作为目标指标，影响总磷的检测指标即多源信息众多，包括温度、PH值、电导率、溶解氧、浊度、化学需氧量等等，检测指标的特性是能够通过传感器直接实时检测。然而每个检测指标对最终总磷的含量影响权重是不相同，因此需要对每个检测指标赋予权重系数。同时，还需要为每个指标建立一个函数关系。因此软测量模型的基础框架为：
其中，为目标指标的预测值，k0~n为权重系数，x0~n为n+1种检测指标。
本发明的目的就是要为每个检测指标建立最恰当的函数以及权重系数，从而使得最终形成计算结果与实际结果最为接近的最优软测量模型。
S2搭建基础模型库，所述基础模型库由若干基本函数组成。
所述基本函数又包括所述基本函数包括常函数、幂函数、指数函数、对数函数、三角函数和反三角函数等，具体如下：
[0]；标记为0；
[1]；标记为1；
[2]；标记为2；
[3]；标记为3；
[4]；标记为4；
[5]；标记为5；
[6]；标记为6；
[7]；标记为7；
[8]；标记为8；
[9]；标记为9；
[10]；标记为A；
[11]；标记为B；
[12]；标记为C；
[13]；标记为D；
[14]；标记为E；
[15]；标记为F；
本实施例中，基本函数包括[0]~[15]一种16种基本函数。当然，也可以根据实际情况进行增删。几乎所有的函数都可以由上述16种基本函数构建。
S3利用基础模型库中的基本函数按照软测量模型的基本框架组装成若干软测量模型从而形成软测量模型库。
具体地，利用基础模型库中的基本函数经过有限次的有理运算（加、减、乘、除、有限次乘方、有限次开方）及有限次的函数运算进行复合来构建，并形成一个在定义域上能有一个方程表示的函数。
在上述的基础框架中，令k0f(x0)为常数项[0],1*f(x)=a；剩余项
可带入[1]-[15]中的任意基本函数。
以四个检测指标为例（检测指标x0被设为常数项），组装最简单的一次软测量模型包括：
标记为:0111。
0111代表选择的函数依次为[0][1][1][1]，以下同理。该标记为便于理解，并非在执行本方法中必要。
标记为:0F11
……
标记为:0121
……
标记为:01F1
……
标记为:0FFF
根据上述组合方法，可以组合出153个软测量模型，如果有n个检测指标，就可以组合出15n-1个软测量模型。这仅是一次软测量模型，为了提高最终获得的最优软测量模型的精度，可以根据实际的需求和算力情况组装出足够多的软测量模型。
上述组装软测量模型的例子只是为了便于理解，实际上一次软测量模型由可能完全达不到检测的精度要求。而在实际使用中可根据需求组装出更复杂更符合要求的软测量模型，例如某一个检测指标需要多个基本函数通过有理运算来组装如；更为复杂的，有可能某一个检测指标需要多个函数通过函数运算嵌套来组装如/>。
为了便于后期运算，需要对组装后的软测量模型中的基本函数进行常数项简化以确定常数项，且对基本函数进行线性化转换。
在上述的基础模型库中，只有[1]~[3]共三个基本函数需要进行常数项化简以确定常数项。如下，
基本函数[1]项的函数常数简化为：
kax=kbx*ex=(kbx)ex=k’ex, b=a/e
故此函数可变换为
可将不确定常数项确定化。
基本函数[2]中函数常数简化为：
常数a可预制参数，如令a∈[-8,-7.5,-7,……，……7，7.5，8]，以0.5为一档排除0。当然也可以根据实际需要扩展数据密度。
通过预制的密度，a为m个值中的一个，从而将不确定常数项确定化。
基本函数[3]中函数常数简化为：
可将不确定常数项确定化。
另外还需要对基本函数进行线性化转换。所谓线性化转化是指将观测值通过基本函数、复合函数或常数化后的函数转换为定值，从而可进行线性回归运算的过程，具体转化如下：
基本函数[1]常数简化后为
，
令X=ex
则函数线性化转换后为
。
基本函数[2]预制常数后为
，
令
集合中M有m个元素
函数线性化转换后为
共m种。
基本函数[3]常数简化后为
，
令：
函数线性化转换后为：
。
基本函数[4]
令：,
函数线性化转换后为
，以此类推……
基本函数[15]
令：
函数线性化转换后为
。
最后，组装出线性软测量模型
其中，/>为目标指标的预测值，k0~nX0~n为n+1种线性化转换后的检测指标函数。
将简化后的基础函数进行重新组合，对有n个检测指标进行关联，共有（14+m）n个线性软测量模型，其中m指基本函数[2]中a可取m个值。
S4建立观测数据库，所述观测数据库内包括若干目标指标的观测值以及所述观测值对应的检测指标值。
仍以总磷为例，利用其他手段获取目标指标即总磷的若干观测值（即“真实”值 ），形成观察值矩阵y
yci为i时刻的总磷的观测值。
建立与总磷观测值对应的若干检测指标值的矩阵x
xni为检测指标xn的i时刻的值。
对矩阵x中的检测指标值进行线性化处理形成线性化数据矩阵X
Xnj为检测指标xn的第i时刻的值的线性化处理数据。
S5将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型，具体包括以下步骤：
将矩阵X和矩阵y带入上述公式
K*=（XTX）-1*XTy
进行循环求解算权重系数，其中K*为权重系数组，X为线性化处理后的检测指标值，XT为线性化处理后的检测指标值组，y为目标指标的观察值。
K*=[K1K2K3……Kn]为一个线性软测量模型的权重系数。由于一共有(14+m)n个线性软测量模型，就会得到(14+m)n个权重系数组K*，即
。
S6将检测指标值带入软测量模型库中所有的软测量模型得到预测值。
将(14+m)n个权重系数组K*循环带入软测量模型库中化简后的软测量模型，并通过观测数据库中的检测指标值能计算出(14+m)n组预测值：
。
S7将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型，具体步骤包括：
利用公式
计算误差矩阵，从得到(14+m)n组误差矩阵
其中e为误差，y为目标指标的观察值，为目标指标的预测值；
筛选属于阈值范围内的误差；本发明中为了节约算力，并非所有的误差都会进行处理，而是设定了一个阈值范围，后续只处理该阈值范围内的误差。另外，为了确保后续的准确性，本发明也并非只选取误差为0的软测量模型。由于模型结果具有一定的波动性，一次结果误差为0，并不代表一直误差均为0，所以筛选出一定范围内的误差值即能节约算例，也能保证后续结果的精确性，以确保最后筛选出的模型的精确性。
利用公式
计算所有误差的标准差集合，从而得到(14+m)n个误差的标准差集合S,
其中S为标准差集合，i为误差数量，ea为误差，为误差平均值；
找出标准差集合中最小的标准差smin,所述最小标准差smin对应的软测量模型为误差最小的软测量模型，即最优软测量模型。
此时的最优软测量模型的形式为简化后的
，
还需要将线性转换后的基本函数X还原成x，即
。
利用上述最优软测量模型，带入传感器实时测量出来的检测指标值，即可实时计算出目标指标的预测值，从而模型可实时测量的传感器对目标指标进行实时检测。
如图2所述，本发明还提供一种基于多源信息融合的最优软测量模型生成系统，包括：
基本框架建立模块，用于建立某种目标指标的软测量模型基本框架，所述基本框架为通过若干检测指标以及检测指标的权重系数来计算目标指标的预测值；
基础模型库，包含若干基本函数；
软测量模型库搭建模块，用于利用基础模型库中的基本函数按照软测量模型的基本框架组装成若干软测量模型从而形成软测量模型库；
观测数据库，包括若干目标指标的观测值以及所述观测值对应的检测指标值；
软测量模型确定模块，用于将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；
预测值计算模块，用于将检测指标值带入软测量模型库中所有的软测量模型得到预测值；
误差比较模块，用于将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于多源信息融合的最优软测量模型生成方法，其特征在于包括：
建立某种目标指标的软测量模型基本框架，所述基本框架为通过一个或一个以上检测指标以及检测指标的权重系数来计算目标指标的预测值；所述软测量模型的基本框架为
其中，为目标指标的预测值，k0～n为权重系数，x0～n为n+1种检测指标；
搭建基础模型库，所述基础模型库由一个或一个以上基本函数组成；所述基本函数包括常函数、幂函数、指数函数、对数函数、三角函数和反三角函数；
利用基础模型库中的基本函数按照软测量模型的基本框架组装成一个或一个以上软测量模型从而形成软测量模型库；组装软测量模型的方法包括：
将基本函数经过有限次的有理运算及有限次的函数运算进行复合，形成一个在定义域上能有一个方程表示的函数；
令k0f(x0)为常数项，剩余项带入任意基本函数；
对软测量模型中的基本函数进行常数项简化以确定常数项，且对基本函数进行线性化转换；
建立观测数据库，所述观测数据库内包括一个或一个以上目标指标的观测值以及所述观测值对应的检测指标值；
将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；
将检测指标值带入软测量模型库中所有的软测量模型得到预测值；
将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。
2.根据权利要求1所述的一种基于多源信息融合的最优软测量模型生成方法，其特征在于：对检测指标值进行线性化处理。
3.根据权利要求2所述的一种基于多源信息融合的最优软测量模型生成方法，其特征在于所述求取软测量模型的权重系数的方法包括：
利用公式
K*＝(XTX)-1*XTy
计算权重系数，其中K*为权重系数组，X为线性化处理后的检测指标值，XT为线性化处理后的检测指标值组，y为目标指标的观察值。
4.根据权利要求1所述的一种基于多源信息融合的最优软测量模型生成方法，其特征在于所述将预测值与对应的观测值进行比较，求取误差最小的软测量模型的方法包括：
利用公式
计算误差矩阵，其中e为误差，y为目标指标的观察值，为目标指标的预测值；
筛选属于阈值范围内的误差；
利用公式
计算所有误差的标准差集合，其中S为标准差集合，i为误差数量，ea为误差，为误差平均值；
找出标准差集合中最小的标准差,所述最小的标准差对应的软测量模型为误差最小的软测量模型。
5.根据权利要求1所述的一种基于多源信息融合的最优软测量模型生成方法，其特征在于：将最优软测量模型中线性转换后的基本函数进行还原。
6.一种基于多源信息融合的最优软测量模型生成系统，其特征在于包括：
基本框架建立模块，用于建立某种目标指标的软测量模型基本框架，所述基本框架为通过一个或一个以上检测指标以及检测指标的权重系数来计算目标指标的预测值；所述软测量模型的基本框架为
其中，为目标指标的预测值，k0～n为权重系数，x0～n为n+1种检测指标；
基础模型库，包含一个或一个以上基本函数；所述基本函数包括常函数、幂函数、指数函数、对数函数、三角函数和反三角函数；
软测量模型库搭建模块，用于利用基础模型库中的基本函数按照软测量模型的基本框架组装成一个或一个以上软测量模型从而形成软测量模型库；具体包括：
将基本函数经过有限次的有理运算及有限次的函数运算进行复合，形成一个在定义域上能有一个方程表示的函数；
令k0f(x0)为常数项，剩余项带入任意基本函数；
对软测量模型中的基本函数进行常数项简化以确定常数项，且对基本函数进行线性化转换；
观测数据库，包括一个或一个以上目标指标的观测值以及所述观测值对应的检测指标值；
软测量模型确定模块，用于将目标指标的观测值和检测指标值带入软测量模型，求取软测量模型的权重系数；并将求取到的权重系数代回软测量模型；
预测值计算模块，用于将检测指标值带入软测量模型库中所有的软测量模型得到预测值；
误差比较模块，用于将预测值与对应的观测值进行比较，求取误差最小的软测量模型；所述误差最小的软测量模型为最优软测量模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314942.6A CN116028757B (zh) | 2023-03-29 | 2023-03-29 | 一种基于多源信息融合的最优软测量模型生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314942.6A CN116028757B (zh) | 2023-03-29 | 2023-03-29 | 一种基于多源信息融合的最优软测量模型生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116028757A CN116028757A (zh) | 2023-04-28 |
| CN116028757B true CN116028757B (zh) | 2023-07-21 |
Family
ID=86076303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314942.6A Active CN116028757B (zh) | 2023-03-29 | 2023-03-29 | 一种基于多源信息融合的最优软测量模型生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028757B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101050971A (zh) * | 2007-05-11 | 2007-10-10 | 清华大学 | 基于脉冲响应模板和参数优化的动态软测量建模方法 |
| CN101281182A (zh) * | 2008-05-22 | 2008-10-08 | 沈阳东大自动化有限公司 | 铝酸钠溶液组分浓度软测量方法 |
| CN101650359A (zh) * | 2009-08-21 | 2010-02-17 | 清华大学 | 一种基于知识融合机器学习算法的煤热值软测量方法 |
| CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
| CN108206046A (zh) * | 2017-12-28 | 2018-06-26 | 新华三大数据技术有限公司 | 一种数据处理方法及装置 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN112749729A (zh) * | 2019-10-31 | 2021-05-04 | 辉达公司 | 基于比较模型参数的精度训练机器学习模型的处理器和系统 |
-
2023
- 2023-03-29 CN CN202310314942.6A patent/CN116028757B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101050971A (zh) * | 2007-05-11 | 2007-10-10 | 清华大学 | 基于脉冲响应模板和参数优化的动态软测量建模方法 |
| CN101281182A (zh) * | 2008-05-22 | 2008-10-08 | 沈阳东大自动化有限公司 | 铝酸钠溶液组分浓度软测量方法 |
| CN101650359A (zh) * | 2009-08-21 | 2010-02-17 | 清华大学 | 一种基于知识融合机器学习算法的煤热值软测量方法 |
| CN108206046A (zh) * | 2017-12-28 | 2018-06-26 | 新华三大数据技术有限公司 | 一种数据处理方法及装置 |
| CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN112749729A (zh) * | 2019-10-31 | 2021-05-04 | 辉达公司 | 基于比较模型参数的精度训练机器学习模型的处理器和系统 |
Non-Patent Citations (3)
| Title |
|---|
| bicop: A command for fitting bivariate ordinal regressions with residual dependence characterized by a copula function and normal mixture marginals;Monica Hernandez-Alava 等;《The Stata Journal: Promoting communications on statistics and Stata》;159-184 * |
| Soft-sensing model of temperature for aluminium reduction cell on improved twin support vector regression;Tao Li;《MEP2018》;020002-1-020002-5 * |
| 基于图卷积网络的柴油加氢生产软测量建模;冯子昊 等;《化工自动化及仪表》;10-19+73 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116028757A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
| CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
| CN110441374B (zh) | 一种基于sa-bp神经网络的溶氧传感器补偿方法 | |
| CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
| CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
| CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN115952685B (zh) | 基于集成深度学习的污水处理过程软测量建模方法 | |
| CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
| CN118213997B (zh) | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 | |
| CN114970688A (zh) | 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法 | |
| CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
| CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
| CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
| CN117688388B (zh) | 一种基于数据增强与预测联合学习的软测量方法与系统 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN116028757B (zh) | 一种基于多源信息融合的最优软测量模型生成方法及系统 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN117235540A (zh) | 基于特征匹配融合的传感器动态信息联动分析方法 | |
| CN115018137B (zh) | 基于强化学习的水环境模型参数率定方法 | |
| CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
| Sharipova et al. | DEVELOPMENT OF A NEURAL NETWORK MODEL FOR TRAINING DATA ON THE EFFECTS OF PHOSPHORUS ON SPRING WHEAT GROWTH. | |
| CN116050208A (zh) | 一种基于tmcmc算法的随机结构非线性模型修正方法 | |
| CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 |
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 |