工業(yè)生產(chǎn)過(guò)程變量的準(zhǔn)確預(yù)測(cè)可以為工業(yè)系統(tǒng)的調(diào)度及決策工作提供重要指導(dǎo),也是預(yù)測(cè)控制技術(shù)的重要組成部分。目前,基于數(shù)據(jù)的預(yù)測(cè)方法被廣泛應(yīng)用于生產(chǎn)過(guò)程變量預(yù)測(cè)中。然而鑒于工業(yè)數(shù)據(jù)普遍具有高噪聲、含缺失點(diǎn)等特點(diǎn),難以準(zhǔn)確擬合過(guò)程變量之間的復(fù)雜非線性關(guān)系,從而使得對(duì)模型精度的提升提出了巨大挑戰(zhàn)。因此,本文研究了復(fù)雜工業(yè)數(shù)據(jù)驅(qū)動(dòng)的過(guò)程變量預(yù)測(cè)方法,具體內(nèi)容如下:針對(duì)過(guò)程變量預(yù)測(cè)中的特征選擇問(wèn)題,提出一種基于局部線性化變分推理的嵌入式特征選擇模型。通過(guò)一種基于局部線性化的后驗(yàn)概率高斯近似方法,解決了核函數(shù)參數(shù)的后驗(yàn)變分概率分布估計(jì)問(wèn)題,進(jìn)而對(duì)相關(guān)特征做出選擇。此外,相比于普遍采用的點(diǎn)估計(jì)而言,本文推導(dǎo)出模型中其他參數(shù)的后驗(yàn)概率。針對(duì)輸入數(shù)據(jù)不確定性的建模問(wèn)題,提出一種考慮輸入噪聲的相關(guān)向量機(jī)預(yù)測(cè)模型。鑒于直接考慮含輸入噪聲建模會(huì)導(dǎo)致邊緣似然函數(shù)的精確解難以計(jì)算,設(shè)計(jì)了一種基于完全期望和完全方差準(zhǔn)則的邊緣似然函數(shù)高斯近似方法,并針對(duì)該模型權(quán)值的后驗(yàn)概率推理問(wèn)題,采用馬爾科夫鏈-蒙特卡洛抽樣方法來(lái)近似估計(jì)權(quán)值后驗(yàn)分布的均值和協(xié)方差矩陣。考慮工業(yè)時(shí)間序列訓(xùn)練樣本集存在缺失點(diǎn)的情況,提出一種基于相關(guān)向量機(jī)... 

【文章頁(yè)數(shù)】：122 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
主要符號(hào)表
1 緒論
    1.1 研究背景及意義
    1.2 基于數(shù)據(jù)的生產(chǎn)過(guò)程變量預(yù)測(cè)方法
        1.2.1 特征選擇
        1.2.2 預(yù)測(cè)模型建模與參數(shù)優(yōu)化
    1.3 概率型機(jī)器學(xué)習(xí)方法綜述
        1.3.1 稀疏貝葉斯學(xué)習(xí)及相關(guān)向量機(jī)
        1.3.2 輸入含不確定性的數(shù)據(jù)驅(qū)動(dòng)建模
        1.3.3 非完備數(shù)據(jù)集建模
        1.3.4 嵌入式特征選擇方法
    1.4 主要研究?jī)?nèi)容
2 基于局部線性化變分推理的嵌入式特征選擇
    2.1 帶有ARD核函數(shù)的RVM回歸模型
    2.2 RVM-ARDK模型的變分推理學(xué)習(xí)算法
        2.2.1 核函數(shù)參數(shù)s的后驗(yàn)變分分布
        2.2.2 其他參數(shù)的后驗(yàn)變分分布
    2.3 VRVM-ARDK模型訓(xùn)練算法和模型選擇
    2.4 VRVM-ARDK模型的預(yù)測(cè)分布
    2.5 VRVM-ARDK分類模型
    2.6 仿真實(shí)驗(yàn)與分析
        2.6.1 人工數(shù)據(jù)集
        2.6.2 標(biāo)準(zhǔn)數(shù)據(jù)集
        2.6.3 磨礦過(guò)程溢流粒度數(shù)據(jù)集
    2.7 本章小節(jié)
3 考慮輸入噪聲的工業(yè)過(guò)程變量預(yù)測(cè)
    3.1 考慮輸入噪聲的RVM回歸模型
    3.2 邊緣似然函數(shù)的高斯近似
    3.3 權(quán)值向量后驗(yàn)概率的隨機(jī)抽樣近似
    3.4 預(yù)測(cè)分布
    3.5 仿真實(shí)驗(yàn)與分析
        3.5.1 人工數(shù)據(jù)集
        3.5.2 標(biāo)準(zhǔn)數(shù)據(jù)集
        3.5.3 高爐煤氣柜柜位數(shù)據(jù)集
    3.6 本章小結(jié)
4 針對(duì)不完整訓(xùn)練數(shù)據(jù)集的工業(yè)時(shí)間序列預(yù)測(cè)
    4.1 針對(duì)不完整訓(xùn)練集的RVM模型
        4.1.1 模型表達(dá)
        4.1.2 基于EM算法的輸出缺失值估計(jì)
        4.1.3 基于邊緣似然函數(shù)優(yōu)化的輸出缺失值估計(jì)
    4.2 預(yù)測(cè)分布和模型選擇
    4.3 兩種算法對(duì)比和計(jì)算復(fù)雜度分析
    4.4 仿真實(shí)驗(yàn)與分析
        4.4.1 含噪聲Rossler時(shí)間序列數(shù)據(jù)
        4.4.2 地鐵交通數(shù)據(jù)集
        4.4.3 高爐煤氣管網(wǎng)受入流量數(shù)據(jù)集
        4.4.4 焦?fàn)t消耗BFG流量數(shù)據(jù)集
        4.4.5 RVM-ITS模型的計(jì)算效率對(duì)比
    4.5 本章小結(jié)
5 針對(duì)不完整測(cè)試樣本的工業(yè)時(shí)間序列區(qū)間預(yù)測(cè)
    5.1 基于RVM回歸的高階動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)
    5.2 基于RVM的高階動(dòng)態(tài)貝葉斯網(wǎng)的學(xué)習(xí)
        5.2.1 網(wǎng)絡(luò)參數(shù)的稀疏貝葉斯學(xué)習(xí)
        5.2.2 DBN-RVM模型的結(jié)構(gòu)學(xué)習(xí)
    5.3 測(cè)試樣本含缺失點(diǎn)條件下的近似推理及預(yù)測(cè)區(qū)間構(gòu)造
    5.4 DBN-RVM模型的變分推理算法
        5.4.1 缺失節(jié)點(diǎn)的最優(yōu)變分推理
        5.4.2 預(yù)測(cè)節(jié)點(diǎn)的推理
        5.4.3 求期望的計(jì)算細(xì)節(jié)
        5.4.4 計(jì)算復(fù)雜度分析
    5.5 仿真實(shí)驗(yàn)與分析
        5.5.1 含噪聲的MackeyGlass時(shí)間序列數(shù)據(jù)集
        5.5.2 高爐煤氣管網(wǎng)受入流量數(shù)據(jù)集
    5.6 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點(diǎn)摘要
    6.3 展望
參考文獻(xiàn)
附錄A VRVM-ARDK模型中正定矩陣∑_s的證明
附錄B VRVM-ARDK模型的求期望計(jì)算
攻讀博士學(xué)位期間科研項(xiàng)目及科研成果
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)動(dòng)態(tài)規(guī)劃的礦渣微粉生產(chǎn)過(guò)程跟蹤控制[J]. 王康,李曉理,賈超,宋桂芝.  自動(dòng)化學(xué)報(bào). 2016(10)
[2]基于多目標(biāo)分層遺傳模糊建模的磨礦過(guò)程溢流粒度軟測(cè)量[J]. 趙珺,崔慶磊,劉穎,王偉.  控制與決策. 2015(12)
[3]全局優(yōu)化視角下的有色冶金過(guò)程建模與控制[J]. 周曉君,陽(yáng)春華,桂衛(wèi)華.  控制理論與應(yīng)用. 2015(09)
[4]一種基于預(yù)測(cè)控制的SaaS系統(tǒng)自適應(yīng)方法[J]. 熊偉,李兵,陳軍,周華昱.  計(jì)算機(jī)學(xué)報(bào). 2016(02)
[5]基于坐標(biāo)補(bǔ)償?shù)淖詣?dòng)泊車系統(tǒng)無(wú)模型自適應(yīng)控制[J]. 侯忠生,董航瑞,金尚泰.  自動(dòng)化學(xué)報(bào). 2015(04)
[6]選礦過(guò)程精礦品位自適應(yīng)在線支持向量預(yù)測(cè)方法[J]. 劉長(zhǎng)鑫,丁進(jìn)良,姜波,柴天佑.  控制理論與應(yīng)用. 2014(03)
[7]針鐵礦法沉鐵過(guò)程亞鐵離子濃度預(yù)測(cè)[J]. 謝世文,謝永芳,陽(yáng)春華,蔣朝輝,桂衛(wèi)華.  自動(dòng)化學(xué)報(bào). 2014(05)
[8]電熔鎂砂產(chǎn)品單噸能耗混合預(yù)報(bào)模型[J]. 吳志偉,柴天佑,吳永建.  自動(dòng)化學(xué)報(bào). 2013(12)
[9]煉焦生產(chǎn)過(guò)程綜合生產(chǎn)指標(biāo)的改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J]. 王偉,吳敏,雷琪,曹衛(wèi)華.  控制理論與應(yīng)用. 2009(12)
[10]基于核偏最小二乘法的動(dòng)態(tài)預(yù)測(cè)模型在銅轉(zhuǎn)爐吹煉中的應(yīng)用[J]. 宋海鷹,桂衛(wèi)華,陽(yáng)春華,彭小奇.  中國(guó)有色金屬學(xué)報(bào). 2007(07)



本文編號(hào)：3695472