本文選題：算法 + 計算機模擬��； 參考：《化工學報》2017年03期

【摘要】：在建立復雜化工過程軟測量模型時,使用傳統(tǒng)的隨機梯度Boosting算法(SGB)建模若收縮參數(shù)v選取不當會明顯降低算法收斂速度,且極易陷入過擬合,難以取得令人滿意的泛化效果。為解決這一問題,提出了一種基于SGB集成學習的軟測量建模方法,采用高斯過程回歸作為基學習器,并針對SGB算法固有的不足,依據(jù)每一次迭代中弱學習機的反饋,自適應調(diào)整收縮參數(shù)v,改善了SGB算法的過度擬合,從而提高了集成模型的估計精度與學習效率。將該方法應用于某雙酚A裝置的軟測量建模中,仿真結(jié)果表明,相比于傳統(tǒng)SGB建模,該方法具有更高的泛化性能和學習效率。
[Abstract]:In order to solve this problem , this paper proposes a soft measurement modeling method based on SGB integrated learning , which improves the estimation accuracy and learning efficiency of the integrated model . The simulation results show that this method has higher generalization performance and learning efficiency than the traditional SGB modeling .
【作者單位】： 江南大學輕工過程先進控制教育部重點實驗室;
【基金】：國家自然科學基金項目(61273070)~~
【分類號】：TQ018;TP181

【相似文獻】

相關會議論文 前2條

1 齊志泉;徐義田;宋野;王來生;;具有動態(tài)級聯(lián)結(jié)構(gòu)的在線Boosting算法[A];2009年中國智能自動化會議論文集（第五分冊）[東南大學學報（增刊）][C];2009年

2 李霞;何麗云;劉超;;Boosting算法及其在中醫(yī)亞健康數(shù)據(jù)分類中的應用[A];中華中醫(yī)藥學會亞健康分會換屆選舉暨“‘治未病’及亞健康防治論壇”論文集[C];2008年

相關博士學位論文 前1條

1 張振宇;基于Boosting算法的感知無線電決策研究及其應用[D];貴州大學;2009年

相關碩士學位論文 前2條

1 郭光緒;基于間隔分布的Boosting算法研究[D];南京航空航天大學;2012年

2 張瑋;基于Boosting算法的某移動通信公司客戶離網(wǎng)分析與預測[D];合肥工業(yè)大學;2009年

，

本文編號：1931450