基于局部重构融合流形聚类的多模型软测量建模

格式：pdf
大小：363.44 KB
文档页数：6

下载文档原格式

基于在线聚类的多模型软测量建模方法

ｐｒｐｏｅｔｄｗａｓｆｏｈｌｎｅｐｒｄｉｔｏｆｑｕｌｔｐｃｆｃｔｏｎｎｃｍｉａｒｃｓｅ．ｏｓｄｍｅｈｏｓｕｅｕｌｆｒｔｅｏｎｉｅｃｉｎｏａｉｙｓｅｉｉａｉｓｉｈｅｃｌｐｏｅｓｓ
Ｎｏｅｅ２０ｖｍｂｒ０７
弓
基于在线聚类的多模型软测量建模方法
李修亮，苏宏业，褚健
（业控制技术国家重点实验室，浙江大学先进控制研究所，浙江杭州３０２）工１０７
摘要：针对石化行业中软测量建模样本的特性，提出一种基于在线聚类和ｖ支持向量回归机（Ｓ）的多模型一ｖＶＲ
（ｔｎｌｙＬｂｒｔｒｆＩｄｓｉｌＣｎｒｌｅｈｏｏｙ，ｎｔｕｅｆＡｄａｃｄＰｒｃｓＣｎｒｌＮａｉａａｏａｏｙｏｕｔａｏｔｏＴｃｎｌｏＫｅｎｒｇＩｓｔｔｏｖｎｅｏｅｓｏｔｏ，ｉ
ｐｅｉｔｔｅｉｈｎｐｔａｎｐｉｔｉｈｄｏｒｃｅｆａｔｎｔｒ．ａｔｃｌｐｌａｉｎｉｄｃｔｄｈｒｄｃｈｌｔａｈｈｅｄｏｎｎｙｒｃａｋｒｒｃｉａｏｓＰｒｃｉａａｐｉｔｏｓｎｉａｅｔｅｇｏｃ
软测量建模方法。在ｖＶＳＲ建模过程中，通过在线聚类算法改善了ｖＶＲ模型参数选择算法的稳定性，并用Ｓ

基于在线聚类和关联向量机的多模型软测量建模

关键词：软测量；多模型；在线聚类；关联向量机
中图分类号：Ｐ７文献标识码：文章编号：１０ —９２２０）３０３－Ｔ２３Ａ００３３（０８０－４００４
１引言
点出现后，聚类算法难以有效跟踪新的子聚类； ②模型学习效率比较低下，因为聚类算法和建模算法不
软测量建模样本在各工况点附近呈聚类特性。通
常，了较好地反映实际生产过程特性，为在建立软测量模型时需要收集较多的样本。但对于不同区域的样本，其扰动幅度和对象特性均不相同，用单模型采
建模会导致模型学习时间过长、过程特性匹配不佳、精度和外推能力差等缺陷… 。
为子模型的线性组合，实际上对于复杂对象，假而该设不成立； ④模型的输出为确定性输出，而不是概率化输出，以评估预测结果的置信度和有效性。难
为了解决上述问题，本文提出一种基于在线聚类和关联向量机的多模型软测量建模方法。该多模型建模方法分为在线聚类和子模型建模两个阶段。
基于在线聚类和关联向量机的多模型软测量建模
李修亮，苏宏业，褚健
（浙江大学先进控制研究所工业控制技术国家重点实验室，杭州３０２）１０７
摘要：针对软测量样本具有按工况点聚类的特性，出一种基于在线聚类和关联向量机的多模型软测量建提
维普资讯
检测与仪表
化自化仪，０，５）４３工动及表２８３（：—７０３３

基于局部模型的软测量建模方法

多元线性回归模型适用于因变量和自变量之间存在线性关系的场景，同时要求数据量较大且分布较均匀。
基于支持向量回归的局部模型
01
支持向量回归模型
02
模型建立过程
通过将数据映射到高维空间，利用间隔原则寻找最优解，建立局部模型。
首先确定核函数和惩罚参数的选择，然后进行数据预处理，包括特征提取和标准化等，接着利用支持向量机进行模型拟合，最后对模型进行评估和优化。
基于局部模型的软测量建模方法
汇报人：日期:
目录
• 引言 • 基于局部模型的软测量建模原理 • 基于局部模型的软测量建模方法 • 基于局部模型的软测量建模实验与分析 • 基于局部模型的软测量建模优势与不足 • 基于局部模型的软测量建模未来研究方向
01
引言Байду номын сангаас
Chapter
研究背景与意义
在工业生产过程中，软测量技术是一种通过数学模型对难以直接测量的变量进行估计和预测的重要技术手段。
将优化后的模型应用于实际过程控制和监测中，实现对关键变量的估计和监测。
数据采集和处理局部模型建立
模型评估与优化模型应用
采集与待估计变量相关的可测变量的数据，并进行预处理和清洗。
通过使用已知数据进行模型评估，并根据评估结果对模型进行优化，以提高模型的预测精度。
03
基于局部模型的软测量建模方法
Chapter
基于多元线性回归的局部模型
多元线性回归模型
通过最小二乘法拟合多个自变量和一个因变量之间的关系，建立局部模型。
模型建立过程
首先确定自变量和因变量的选取，然后进行数据预处理，包括数据清洗、特征提取和标准化等，接着利用最小二乘法进行模型拟合，最后对模型进行评估和优化。

基于改进聚类和加权bagging的多模型软测量建模

（南大学教育部轻工过程先进控制重点实验室，江苏无锡２４２）江１１２
摘要：针对化工生产过程中软测量模型估计精度的问题，提出一种基于改进聚类和加权ｂｇｉａｇｎｇ的多模型建模方
ＪｉｎａｉｅｓｔａｇｎｎＵｎｖｒｉｙ，Ｗｕ１１２Ｊｉｎｕ，Ｃｉａｘｉ２４２，ａｇｓｈｎ）
ＡｂｔａｔＡｓｆｒｔｅｐｏｌｍｈｔｔｅｅｔｍａｉｎｐｅｉｉｎｏｏｔｓｎｏｏｅｓｎｔｅｏｇｎｌｅｉｓｒｃ：ｏｈｒｂｅｔａｈｓｉｔｏｒｃｓｏｆｓｆｅｓｒｍｄｌｉｏｎｕｈ０ｉｎｎ
ＺＨＡＮＧｎｉｇＵｊａＷｅｑｎ。ＦＹｕ，ＹＡＮＧｉｈｎｉＨｕｚｏｇ
（ｙＬｂｒｔｒｆＡｄａｃｄＰｒｃｓｏｔｏｏｇｈｎｕｔｙ，ＭｉｉｔｙｏＫｅａｏａｏｙｏｖｎｅｏｅｓＣｎｒｌｆｒＬｉｔＩｄｓｒｎｓｒｆＥｄｕａｉｎ，ｃｔｏ
第６卷３
第９期
化
工学
报
Ｖｏ１３ＮＯ．６．９Ｓｅｔｍｂｅ２２ｐｅｒ０１
２１０２年９月
ＣＩＥＳＣＪｕｎｌｏｒａ
基于改进聚类和加权ｂｇｉｇ的多模型ａｇｎ软测量建模
张文清，傅雨佳，杨慧中
ｃｍｉａｏｅｓｎｈｅｃｌｐｒｃｓｉｇ，ａｍｅｈｏｆｍｕｌｉｍｏＩｓｆｅｏｓｐｒｐｏｅｂｓｄｏｍｐｏｖｄｃｕｔｒｎａｔｄｏｔ～ｄｅｏｔｓｎｓｒｉｏｓｄａｅｎｉｒｅｌｓｅｉｇｎｄｗｅｇｈｔｄｂａｉ．ｔｉｐｏｓｃｕｓｅｉｒｓｔｂｙｅｕｃｎｅｒｄｖｄｎｇｒａｉｉｙｉｅｇｇｎｇＩｍｒｖｅｌｔｒｎｇｅｕｌｒｄｉｇｒｏｒｉｉｉｐｏｂｂｌｔｗｉｈＫｉｈｂｒｔ — ｇｏｓｎｅｂｓｄｏｒｄｔｏｌｆｚｍｅｎｓｃｕｓｅｉａｅｎｔａｉｉｎａｕｚｙＣ— ａｌｔｒｎｇ．ａｄｔｒｉｉａｐｅｓｔｉｏｅｎｔｅｒｌｆａｕｅｎｈｅｔａｎｎｇｓｍｌｅｓｇｒｕｐｄｉｏｓｖｅａｅｔｒｓｔｔｏｒｌｔｏｎａａｙｓｓＡｔ１ｓ，ａｍｕｔ— ｏｅｓｃｎｓｒｃｅｙｓｅｓｗｉｈｃｒｅａｉｎｌｉ．ａｔｌｉｍｄｌｉｏｔｕｔｄｂｕｐｐｒｃｏｒｍａｈｉｓａａｔｖｌｏｔｖｅｔｃｎｅｄｐｉｅｖａｃｒｎｏｗｅｇｅｂｇｎｇｌｒｔｍｏｅｓｍｂｅｅｒｉ．ｃｏｄｉｇｔｉｈｔｄａｇｉａｇｏｉｈｆｎｅｌｌａｎｎｇＴｈｅｉｕａｉｎｅｕｔｓｗｔａｅｅｙｓｍｌｔｏｒｓｌｓｈｏｈｔｖｒｆａｕｒｅｔｅｍｏｄｌｉｓｉｅｔｉｈｔｒａｏｎｂｌｅｓａｓｇｎｄｗｉｈｗｅｇｅｓａｙ，ａｈｅｅｔｍａｅｃｕｒｃｆｍｏｄｌｉｍｐｒｅｎｄｔｓｉｔｄａｃａｙｏｅｓｉｏｖｄ。ａｎｄｔｅｅａｉａｉｂｉｉｙｉｅｔｒｈｅｇｎｒｌｚｔｏｎａｌｔｓｂｔｅ．Ｋｅｒ：Ｋ— ｉｙｗｏｄｓｎｅｇｈｂｒｏｓ；ｍｕｌｉｍｏｅ；ｅｓｍｂｅｌａｎｎｇ；ｂａｉｔ— ｄｌｎｅｌｅｒｉｇｇｎｇ；ｓｐｏｔｖｅｔａｈｎｅｕｐｒｃｏｒｍｃｉ

一种基于改进加权粗糙集的多模型软测量建模方法

２基于最小风险贝叶斯决策理论的加权粗糙集决
策算法
流程工业往往涉及到复杂物系的加工和处理过程，生产工艺种类繁多，应机理复杂，用单一模反采型描述这种复杂非线性的过程特性，于实现在线用
软测量，往往会导致过程特性匹配不佳、精度和外推能力差等缺点 …。针对复杂非线性对象建模的困难，ｈＣｏ等人提出通过将几个模型相加来提高模型的估计精度和泛化性。如文献［，］出了基于３４提聚类算法的多模型软测量建模方法。但是，由于输入输出样本容易受到随机噪声或测量误差的污染，
权重赋值方法会使得一些容易错分的样本得不到应
有的重视。本文通过向加权粗糙集引入类别权重，提出了一种基于最小风险贝叶斯决策理论的加权粗糙集决策算法。并利用Ａａｏｓ２算法川寻优ｄＢｏｔＭ样本权重及类别权重，权衡其对多数类和少数类的影响，最大程度地提升分类器的整体性能。利用上述方法构造的加权粗糙集分类模型，有效地提高了其分类精度，而保证了各个子模型的可靠性。从
样显现出了明显的优势。
２１加权粗糙集ＷＲ．Ｓ
高的分类精度。但是，传统的ＷＲ对样本权重的选Ｓ择缺乏整体考虑，将类内样本数的倒数作为样本的权重，而属于同一个类的样本具有相同的权重。从
定义加权信息系统如下：＝（Ｗ，ＳＵ，Ａ，
使得聚类精度难以满足要求，而导致回归子模型从估计精度的下降。为此，文提出一种基于加权粗本糙集的多模型软测量建模方法，用改进的加权粗利

一种基于混合建模技术的MIMO软测量建模方法

化机理模型的未建模特性。因此，混合建模方法现
已被广泛地应用并且取得了很好的效果。
本文采用数据驱动建模和简化机理建模混合的建模思想来建立上述复合肥三种养分含量的ＭＩＭＯ软测量模型。首先，用基于限定记忆最小二乘算采
在目前的软测量建模研究中，多输入／单输出
出数据直接建模，乎无需过程对象的先验知识。几
但是，这种建模方法通常学习速度慢，且容易造成过
拟合现象。此外，用这种方法建立的模型不具有可
存在较强的耦合和关联，因此不适合采用以往的先分别建立三种质量指标的ＭＩＯ软测量模型，Ｓ然后再组合成一个ＭＭＯ模型的方法。在这种情况下，Ｉ
关键词：软测量；混合建模；分最小二乘；部简化机理建模；复合肥养分含量
中图分类号：Ｐ７文献标识码：文章编号：００３３（０００－０７０Ｔ２３Ａ１０ —９２２１）９３－５Ｏ
１引言
肥生产过程中，三个质量变量：有氮含量、Ｐ０含量和Ｋ０含量。保证产品质量的手段就是控制这三，种质量指标在一定的范围内，如果复合肥产品中养分氮、五氧化二磷、氧化钾的含量低于一定指标，则生产的复合肥产品不合格，需返工重新加工，而增从
括部分最小二乘（Ｌ）ＰＳ回归方法、人工神经网络
方法和支持向量机回归方法。机理建模方法和
数据驱动建模方法各有其优点和不足。机理建模方法能够从本质上反映工业过程的规律，可解释性强、外推性好。但是建模过程非常复杂，于一些复杂对过程而言，能得到的机理模型一般也是经过若干简

基于多模型动态融合的自适应软测量建模方法

（ＺｈｉｊｉａｎｇＣｏｌｌｅｇｅ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００２４，Ｃｈｉｎａ）
态Ｇａｕｓｓ．Ｍａｒｋｏｖ估计对各子模型估计值进行融合。将上述方法应用于对二甲苯（ｐ．ｘｙｌｅｎｅ，简称ｅｘ）吸附分离过程纯度的软测量建模，仿真结果表明该方法能够有效地增强模型适应工况变化的能力，是一种有效的软测量建模方法。
ｍｏｄｅｌｏｕｔｐｕｔｓｗｅｒｅｐｒｅｄｉｃｔｅｄｂｙｆｕｓｉｎｇｔｈｅｖａｌｕｅｓｏｆｓｕｂ－ｍｏｄｅｌｓｄｙｎａｍｉｃａｌｌｙｂａｓｅｄｏｎｔｈｅａｄａｐｔｉｖｅ
关键词：软测量；仿射传播ｆＡＰ）；高斯过程回归（ＧＰＲ１；动态Ｇａｕｓｓ．Ｍａｒｋｏｖ估计：ＰＸ纯度中图分类号：ＴＰ２７３文献标识码：ＡＤＯＩ：１０．３９６９￣．ｉｓｓｎ．１００３ — ９０１５．２０１５．０５．０２４
ｎｏｎｌｉｎｅａｒｏｂｊｅｃｔｓ，ｗｈｉｌｅｍｕｌｔｉ・ｍｏｄｅｌｓｏｔｆｓｅｎｓｏｒｓｕｓｕａｌｌｙｕｓｅｓｅｖｅｒａｌｓｔａｔｉｃｍｏｄｅｌｓ，ｗｈｉｃｈｃａｎｎｏｔｒｅｆｌｅｃｔｔｈｅ

基于聚类的多模型软测量建模及其应用_王洋课

检测与仪表化工自动化及仪表,2010,37(1):49~52Contro l and Instru m ents i n Che m ical Industry基于聚类的多模型软测量建模及其应用王洋课,费树岷,翟军勇(东南大学复杂工程系统测量与控制教育部重点实验室,南京210096)摘要: 实际生产中往往存在对产品质量影响重大、但又难以在线测量的一些参数(只能离线测量与分析)。

本文提出一种基于聚类的多模型建模方法对这些难以在线测量的参数实现软测量,将相关性分析、主元分析(PCA )、聚类和多模型建模应用于软测量建模中,构建一种实现重要参数软测量的基本框架:首先,基于相关度分析进行辅助变量的选择,然后用主元分析进行数据的进一步降维,再用k-m eans 聚类与多模型建模思想相结合。

最后将提出的思想和方法应用于某精馏塔组分的软测量中,仿真结果表明,测量精度有了较大的提高。

关键词: 软测量;相关性分析;主元分析;k-m eans 聚类;多模型中图分类号:T P216 文献标识码:A 文章编号:1000-3932(2010)01-0049-041 引言在过程控制中,为保证生产的顺利进行和产品的高质量、高品质,对某些与生产密切相关的参数进行实时的监测与控制是非常必要的。

对于一些常规的参数,如温度、流量、压强等,可以通过物理的方法进行测量,而对于在石油化工、食品加工、造纸、生物发酵等工业过程中出现的一些,如精馏塔的产品组分、转炉钢水的含碳量、化学反应的催化剂活性以及生物发酵中的一些生物参数等很难用传统的物理方法进行测量,更难以在线测量,但这些参数又对产品的质量有着重要的影响。

目前已出现一些基于软测量的分析仪表[1],已在一定程度上解决这类参数的测量问题,但存在价格昂贵、维护保养复杂、滞后大等缺点,难以得到广泛的应用。

目前越来越多的基于软测量技术的研究得到控制理论与控制工程领域的重视[2,3]。

如文献[4]提出嵌入岭回归的误差反馈算法并将其成功应用于石脑油干点的软测量,文献[5]则采用基于/内含传感器0逆的动态软测量方法解决了红霉素发酵过程的关键生化量的软测量。

基于多伯努利密度聚类的多平台多目标融合检测跟踪

现有的雷达融合检测跟踪架构主要分为集中式融合计和相邻节点多目标密度估计结果的局部 KL 平均，在
收稿日期：2023-02-17 作者简介：羿昌宇（1985—），男，湖北监利人，博士研究生，研究方向：机载射频综合。
1 Copyright©博看网. All Rights Reserved.
第 41 卷
成局部融合态势。考虑本机平台与邻居平台的融合情形，
在分组的条件下给定本机平台和相邻平台的标签空间分
别
为
(1)
和
( 2 )
。
(1) i
∈
(1)
和
(2) j
∈
(2)
分
别为标签空间
(1)
和(2) 中的元素。定义标签空间映射ϖ1 : (1) → (2)。对于
ϖ 1 ( (i1)
)
=
(j2)，
它表示标签
(1) i
进一步在扩展多目标标签下给出基于标签多伯努利滤波（Generalized Covariance Intersection）算法 [3]，忽略了
器的一致性多目标滤波算法。通过仿真实验验证了本文局部估计之间的相关性，通过最小化融合后估计误差方
所提出算法的有效性。
差上界取得保守的融合估计。
1 研究现状
与
(2) j
对应同一目标。用同
样的方法定义标签空间映射ϖ 2 : (2) → (1)。对于平台 1
和平台 2 视域一致的情形，根据标签匹配结果，平台 1
观测到的目标在平台 2 中能找到与之对应的观测，ϖ1与
ϖ 2为一一映射。但是，对于两个平台存在视域差异的情
2 Copyright©博看网. All Rights Reserved.

异类多模型动态融合软测量方法研究与应用

选取估值ｙ极小化性能指标为：
Ｉ（）（），＝一ｊ一（）３
式中：卜
＝一
适当选取的Ｌ× 对称正定加权阵。置
２（）＝０ＨＴｊ— （）４
ａ，）
பைடு நூலகம்
由式（）４可求得Ｙ的估计值ｙ为：
＝
（删）
’ 眈
检测与仪表
化动及表２０３８： — 工自化仪，０，７）２４１（４５
ＣｏｔｌａｄＩｓｒｍｅｔｎＣｈｍｉａｎｕｔｎｒｎｎｔｏｕｎｓｉｅｃｌＩｄｓｒｙ
异类多模型动态融合软测量方法研究与应用
收稿日期：０００－４修改稿）２１－２２（基金项目：甘肃省自然科学基金资助项目（Ｚ０１Ａ５０２３Ｓ５一２－３）
第８期
李
炜等．异类多模型动态融合软测量方法研究与应用
‘４・３
Ｐ＝ｃｃ
＝圭［
ｉ＝１ｏｒｉ
］～
自１６９９年ＢｔｓＧａｇｒ提出通过将几个ａ和ｒｎｅｅ
实际值为ｙ预测误差为，，其方差为ｏｒ＞０的常值，则有合成模型为：
ｊ＝Ｈｙ＋（）１
模型相加来提高模型的预测精度和鲁棒性的思想以来，基于多模型的预测方法已取得了长足的进展，并且在工业中得到了成功的应用。文献［］出了一４提
ｃ７
：
日）
－ｋ［ … ，；＋，．，ｆ＝１ … ，）ｔ， … ７￣，－Ｊｉ；］ｔ，，Ｊ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｆｓｏａｆｌｌｓｅｉｕｉｎｍｎｉｏｄｃｕｔｒｎｇ
ＣＨＥＮｎｓｎＤｉｇａ。ＹＡＮＧｕｚｎＨｉｈｏｇ・

（ＫｅａｏａｏｙｏｖｎｅｒｃｓＣｎｒｌｏｉｈｎｕｔｙ（ｎｓｙｏｄｃｔｎ，ＪａｇａｎｖｒｉｙＬｂｒｔｒｆＡｄａｃｄＰｏｅｏｔｏｒｇｔＩｄｓｓｆＬｒＭｉｉｒｆＥｕａｉ）ｎｎｎＵｉｅｓｙ，Ｗｕｉｔｏｉｔｘ
２４２１１２，Ｊｉｎｕ，Ｃｉａ。ｈｎｈｉｙＬａｏａｏｙｏＰｏｒＳａｉｎＡｕｏｔｏｃｎｌｇａｇｓｈｎ；ＳａｇａｂｒｔｒｆｗｅｔｔｏｔｍａｉｎＴｅｈｏｏｙ，Ｓａｇａ００２ｈｉａＫｅｈｎｈｉ２０７，Ｃｎ）
第６２卷
第８期
化
工学
报
Ｖｏ．２Ｎｏ８１６．Ａｕｕｔ２１ｇｓ０１
２１０１年８月
ＣＩＥＳＣＪｕｎｌｏｒａ
基于局部重构融合流形聚类的多模型软测量建模
陈定三，杨慧中２
（南大学教育部轻工过程先进控制重点实验室，江苏无锡２４２；海市电站自动化技术重点实验室，上海２０７）江１１２。上００２
ａｅｍｅｇｅ．Ｍｅｎｗｈｌ，ｓｐｏｔｖｃｏｃｎｅｉｓｄｔｏｎｔｕｔｒｇｅｓｏｄｅｎｔｒｓｏｆｅｃｕｂｒｒｄａｉｅｕｐｒｅｔｒｍａｈｉｓｕｅｏｃｓｒｃｅｒｓｉｎｍｏｌｉｅｍａｈｓ —
ｂｓｄｏｖｒｕ — ｌｓｅｅｐｃｉｅｙ，ｔｅｓｂｃｕｔｒｉｈａｅｃｏｅｎｎｔｅｓｍｅｍａｉｌｅｅａｅｎｅｅｙｓｂｃｕｔｒｒｓｅｔｖｌｈｕ — ｌｓｅｓｗｈｃｒｌｓｒａｄｉｈａｎｆｄｌｖ１ｏ
ＡｂｔａｔＵｓｎａｓｎｌｏｅｏｅｃｉｅｏｐｅｏｌｅｒｏｉｃ，ｉｕｕｌｕｆｒｆｏｌＷｓｒｃ：ｉｇｉｇｅｍｄｌｔｄｓｒｂａｃｍｌｘｎｎｉａｂｔｔｓａｌｓｆｅｓｒｍＯｎｅｙ
ｒｓｌ，ｔｅｄｔｅｉｓｌｔｅｅａｓｌｄｓｉｔｕ－ｌｓｅｓＢｅｏｓｒｃｉｇｌｅｒｎｆｌｌｖｌｅｕｔｈａａｓｔｓｐｉｉｏｓｖｒｌｍａｌｉｏｎｂｃｕｔｒ．ｙｒｃｎｔｕｔｎａｓｔｎｊｓｎｉｍａｉｄｅｅｏ
文献标志码：Ａ
文章编号：０３ — １５（０１８２８ — ０４８１７２１）Ｏ — ２１６
Ｍｕｔｐｌｏｌｓｆｅｏｓｄｏｏａｅｏｓｒｃｉｎａｌｉｅｍｄｅｏｔｓｎｓｒｂａｅｎｌｃｌｒｃｎｔｕｔｏｎｄ
量建模仿真中验证了该方法的有效性。关键词：线性流形；软测量；多模型；支持向量机
Ｄ：１．９９ｊｉｓ．４８１５．０１０．３ＯＩ０３６／．ｓｎ０３ — １７２１．８０４
中图分类号：Ｔ９Ｐ３３
ａｃｒｃａｄｏｇｎｅａｉａｉｎ．ｃｕａｙｎｐｏｒｅｒｌｚｔｏＡｍｕｔｐｌｍｏｌｏｔｅｏｒｐｏｃｉｐｅｅｅｂｓｄｎｏａｌｉｅｄｅｓｆｓｎｓａｐｒａｈｓｒｓｎｔｄａｅｏｌｃｌｒｃｎｓｒｔｏｎｄｆｓｏｎｍａｉｏｄｃｕｓｅｉ．ｎｏｄｅｏｒｓｒｉｎｈｅｉｅｏｔｕｃｉｎａｕｉｎｆｌｌｔｒｎｇＩｒｒｔｅｔａｎｉｇｔｍｐａｔｆｏｌｅｓｔｌｓｅｉｃｓｏｕｔｉｒｏｃｕｔｒｎｇ
摘要：针对单模型描述复杂非线性对象时估计精度低、泛化能力差的问题，提出了一种基于局部重构融合流形聚类的多模型软测量建模方法。该方法将样本集拆分为多个互不相交的样本子簇，克服异常样本点对聚类结果的影响；以各样本子簇重构线性流形面，将属于同一流形面且相距较近的样本子簇进行融合；采用支持向量机为各个子类建立回归子模型，得到一个基于多个子模型的软测量组合模型。在双酚Ａ生产过程质量指标的软测