本文選題：算法 + 計(jì)算機(jī)模擬��； 參考：《化工學(xué)報(bào)》2017年03期

【摘要】：在建立復(fù)雜化工過程軟測(cè)量模型時(shí),使用傳統(tǒng)的隨機(jī)梯度Boosting算法(SGB)建模若收縮參數(shù)v選取不當(dāng)會(huì)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(xué)習(xí)的軟測(cè)量建模方法,采用高斯過程回歸作為基學(xué)習(xí)器,并針對(duì)SGB算法固有的不足,依據(jù)每一次迭代中弱學(xué)習(xí)機(jī)的反饋,自適應(yīng)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(jì)精度與學(xué)習(xí)效率。將該方法應(yīng)用于某雙酚A裝置的軟測(cè)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(xué)習(xí)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(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61273070)~~
【分類號(hào)】：TQ018;TP181

【相似文獻(xiàn)】

相關(guān)會(huì)議論文 前2條

1 齊志泉;徐義田;宋野;王來生;;具有動(dòng)態(tài)級(jí)聯(lián)結(jié)構(gòu)的在線Boosting算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第五分冊(cè)）[東南大學(xué)學(xué)報(bào)（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(yīng)用[A];中華中醫(yī)藥學(xué)會(huì)亞健康分會(huì)換屆選舉暨“‘治未病’及亞健康防治論壇”論文集[C];2008年

相關(guān)博士學(xué)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(yīng)用[D];貴州大學(xué);2009年

相關(guān)碩士學(xué)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(xué);2012年

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

，

本文編號(hào)：1931450