本文關(guān)鍵詞：基于時(shí)間維度拓展局部加權(quán)ELM的工業(yè)過程軟測(cè)量建模

  更多相關(guān)文章： 軟測(cè)量 極限學(xué)習(xí)機(jī) 泛化性能 局部加權(quán) 時(shí)間維度拓展 非線性過程動(dòng)態(tài)性過程

【摘要】：在現(xiàn)代工業(yè)過程中,為了保證生產(chǎn)過程安全和產(chǎn)品質(zhì)量,及時(shí)獲得過程關(guān)鍵產(chǎn)品參數(shù)具有非常重要的意義。然而由于技術(shù)和成本限制,在復(fù)雜的工業(yè)過程中很難直接對(duì)關(guān)鍵的質(zhì)量變量進(jìn)行檢測(cè)。很多情況下必須使用昂貴的測(cè)量儀表或者對(duì)生產(chǎn)過程造成一定的干擾。工業(yè)過程軟測(cè)量技術(shù)通過建立容易測(cè)量的輔助變量和質(zhì)量變量之間的數(shù)學(xué)模型,來間接的對(duì)質(zhì)量變量進(jìn)行檢測(cè)。在軟測(cè)量建模算法的發(fā)展過程中,傳統(tǒng)的多元統(tǒng)計(jì)回歸方法算法結(jié)構(gòu)簡單,速度快,而日趨成熟的神經(jīng)網(wǎng)絡(luò)算法和深度學(xué)習(xí)算法精度高適應(yīng)非線性過程但是計(jì)算速度往往較慢。本文圍繞極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)這種單隱層神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究。該算法無需進(jìn)行神經(jīng)元參數(shù)的反復(fù)迭代計(jì)算。運(yùn)算速度快、精度高并且不會(huì)陷入局部最優(yōu)解,具有良好的發(fā)展?jié)摿�。本文圍繞ELM算法,以工業(yè)過程軟測(cè)量建模為應(yīng)用背景展開研究,得到的主要研究成果總結(jié)如下:1)針對(duì)工業(yè)過程的非線性問題,提出了基于局部加權(quán)極限學(xué)習(xí)機(jī)(LWELM)的軟測(cè)量建模方法。利用局部加權(quán)方法對(duì)每個(gè)測(cè)試樣本點(diǎn)建立局部模型,相比全局模型簡化了模型的復(fù)雜度,有利于解決復(fù)雜工業(yè)非線性過程中ELM算法泛化性能不足的問題,仿真驗(yàn)證了該方法能有效改進(jìn)軟測(cè)量模型預(yù)測(cè)精度。2)針對(duì)工業(yè)過程的動(dòng)態(tài)性問題,提出了基于時(shí)間維度拓展極限學(xué)習(xí)機(jī)(TELM)的軟測(cè)量建模方法。該方法將當(dāng)前時(shí)刻前后的樣本點(diǎn)合并為新的樣本點(diǎn),得到一個(gè)高維度高線性相關(guān)性的包含過程動(dòng)態(tài)性信息的拓展矩陣。ELM算法能夠克服樣本高維度和線性相關(guān)性強(qiáng)問題,并且利用增加的數(shù)據(jù)量改善了 ELM算法在有限樣本情況下的泛化能力不足問題,同時(shí)得到了過程動(dòng)態(tài)信息。仿真驗(yàn)證了該方法能有效改進(jìn)軟測(cè)量模型預(yù)測(cè)精度。3)針對(duì)工業(yè)過程的動(dòng)態(tài)性、非線性以及噪聲誤差干擾問題,提出了基于時(shí)間維度拓展局部加權(quán)極限學(xué)習(xí)機(jī)方法(TLWELM)的軟測(cè)量建模方法。該方法既考慮時(shí)間臨近樣本之間的動(dòng)態(tài)相關(guān)關(guān)系,也考慮空間上臨近樣本點(diǎn)之間的局部模型相似性,采用了兩種改進(jìn)方法結(jié)合的方式對(duì)極限學(xué)習(xí)機(jī)算法進(jìn)行改進(jìn)。局部加權(quán)方法在一定程度上排除了離群點(diǎn)和奇異值降低噪聲和誤差的干擾。同時(shí)改善了極限學(xué)習(xí)機(jī)的泛化性能,降低了時(shí)間維度拓展方法為了改善極限學(xué)習(xí)機(jī)泛化性能所需要的拓展維度。隨著拓展矩陣的縮小,噪聲和誤差的干擾也進(jìn)一步減弱了。仿真驗(yàn)證了該方法能有效改進(jìn)軟測(cè)量模型的預(yù)測(cè)精度。
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O212.4;TP18

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 袁小鋒;葛志強(qiáng);宋執(zhí)環(huán);;基于時(shí)間差分和局部加權(quán)偏最小二乘算法的過程自適應(yīng)軟測(cè)量建模[J];化工學(xué)報(bào);2016年03期

2 張弦;王宏力;;具有選擇與遺忘機(jī)制的極端學(xué)習(xí)機(jī)在時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];物理學(xué)報(bào);2011年08期

3 劉國海;江興科;梅叢立;;基于連續(xù)隱Markov模型的發(fā)酵過程關(guān)鍵狀態(tài)變量軟測(cè)量[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

4 俞金壽;;軟測(cè)量技術(shù)及其應(yīng)用[J];自動(dòng)化儀表;2008年01期

5 常玉清;李玉朝;王福利;呂哲;;基于極限學(xué)習(xí)機(jī)的生化過程軟測(cè)量建模[J];系統(tǒng)仿真學(xué)報(bào);2007年23期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 余建平;基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的污水處理參數(shù)軟測(cè)量模型研究[D];重慶大學(xué);2005年

，

本文編號(hào)：1258692