專利名稱：面向高維非線性軟測量模型的輔助變量約簡方法
技術(shù)領(lǐng)域：
本發(fā)明屬于軟測量技術(shù)領(lǐng)域，具體涉及一種面向高維非線性軟測量模型的輔助變量約簡方法，用于指導(dǎo)生產(chǎn)過程輔助變量的精簡。
背景技術(shù)：
當(dāng)前，在工業(yè)過程、生物信息、環(huán)境保護(hù)、食品安全等領(lǐng)域出現(xiàn)大量非線性、復(fù)雜關(guān)聯(lián)、不可測度對象參數(shù)的檢測問題，基于軟計算實現(xiàn)的軟測量技術(shù)正是在這種強(qiáng)烈的工業(yè)需求下蓬勃發(fā)展起來，并成為解決這類問題的有效方法，有廣闊的發(fā)展前景。例如中國專利(專利號:200410017533.7)就提出了一種基于支持向量機(jī)的軟測量建模方法。在軟測量過程中，首先面對的問題就是輔助變量的選擇，一方面希望盡可能不遺漏重要的解釋因素；另一方面，又要遵循參數(shù)節(jié)省原則，使輔助變量的個數(shù)盡可能少。在實際工作中，為了較完備地描述和分析系統(tǒng)，分析人員往往傾向于較周到地選取所能得到的一切輔助變量。而這樣構(gòu)成的輔助變量之間常常存在多重相關(guān)性，造成建模中協(xié)方差矩陣的病態(tài)，降低建模的精度，破壞模型的穩(wěn)定性，影響著軟測量的精度和泛化能力。因此，必須去除這種相關(guān)性，實現(xiàn)高維非線性軟測量模型的輔助變量約簡。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種面向高維非線性軟測量模型的輔助變量約簡方法，能夠在建模效果最佳的準(zhǔn)則上找出含輔助變量個數(shù)最少的輔助變量集對主導(dǎo)變量進(jìn)行預(yù)測，實現(xiàn)對主導(dǎo)變量精簡化的軟測量。本發(fā)明的技術(shù)方案如下:一種面向高維非線性軟測量模型的輔助變量約簡方法，其關(guān)鍵在于按如下步驟進(jìn)行:步驟一:確定與主導(dǎo)變量可能相關(guān)的η個原始輔助變量，采集η個原始輔助變量和主導(dǎo)變量的取值，組成樣本集，樣本集大小為m ；將η個原始輔助變量數(shù)據(jù)寫成矩陣X= [Xl，…，Xi,…xm]T形式，主導(dǎo)變量數(shù)據(jù)寫成矩陣 Y =[y1; -,Yi,...ym]T，其中，Xi e RxxSyi e R，i = 1，2，…，m，并將 X，Y 進(jìn)行標(biāo)準(zhǔn)化處理；所述標(biāo)準(zhǔn)化處理就是:若η個原始輔助變量數(shù)據(jù)寫成矩陣
權(quán)利要求
1.一種面向高維非線性軟測量模型的輔助變量約簡方法，其特征在于按如下步驟進(jìn)行: 步驟一:確定與主導(dǎo)變量可能相關(guān)的η個原始輔助變量，采集η個原始軸助變量和主導(dǎo)變量的取值，組成樣本集，樣本集大小為m ；將η個原始輔助變量數(shù)據(jù)寫成矩陣X= [Xl，..., Xi,…xm]T形式，主導(dǎo)變量數(shù)據(jù)寫成矩陣 γ=[7ι，…，7i，...yjT，其中，Xi e Rnxi，yi e R，i = 1，2，…，m，并將 χ，γ 進(jìn)行標(biāo)準(zhǔn)化處理； 步驟二:融合核獨立成分分析KICA(Kernel Independent Components Analysis)與虛假最近鄰點FNN(False Nearest Neighbors)方法,分別計算n個原始輔助變量的權(quán)重值；步驟三:按照權(quán)重值，將η個原始輔助變量組成原始輔助變量序列； 步驟四:確定最佳輔助變量集，包括以下步驟: 第一步，設(shè)定循環(huán)次數(shù)N = η ; 第二步，隨機(jī)從樣本集中選擇P個樣本作為訓(xùn)練樣本，剩下的m-p個樣本作為檢驗樣本； 第三步，根據(jù)所述訓(xùn)練樣本，利用BP神經(jīng)網(wǎng)絡(luò)建立當(dāng)前的輔助變量序列中所包含變量的非線性模型； 第四步，將所述檢驗樣本的當(dāng)前輔助變量值輸入至所述非線性模型，得到m-p個檢驗樣本對應(yīng)的主導(dǎo)變量預(yù)測值；` 第五步，計算m-p個檢驗樣本預(yù)測值的均方誤差MSE ； 第六步，刪除當(dāng)前的輔助變量序列中權(quán)重值最小的原始輔助變量，組成新的原始輔助變量序列，并設(shè)定N = N-1，判斷此時N是否為O: 如果N古0，則回到第三步； 如果N = 0，則最小的檢驗樣本預(yù)測值的均方誤差MSE對應(yīng)當(dāng)前的輔助變量序列即為最佳輔助變量集； 步驟五:最佳輔助變量集在步驟四中對應(yīng)的非線性模型即為軟測量的約簡模型。
2.根據(jù)權(quán)利要求1所述的面向高維非線性軟測量模型的輔助變量約簡方法，其特征在于步驟二中的虛假最近鄰點方法，步驟如下: 步驟一:將由所有原始輔助變量組成的η維數(shù)據(jù)看成是A= (Xl，X2，…，，…，xn)； 步驟二:將剔除的輔助變量Xi設(shè)為零，重新得到A的投影向量B= (χ1； χ2, -χ^,Ο,Xi+i，…，Xn); 步驟三:計算高維相空間中相點A與其投影向量B之間的相似性測度COSab，其中， _ Α.ΒΤ⑴ -關(guān)0) 步驟四:依次考察原始輔助變量X1, X2,…，Xn，通過比較相應(yīng) 變化情況，確定輸 /=1入變量對原始數(shù)據(jù)結(jié)構(gòu)的影響大小，按變化由大到小的順序進(jìn)行變量選擇；相似性測度COSab越大，說明剔除該變量對原始數(shù)據(jù)結(jié)構(gòu)影響越小，可被剔除，相似性測度COSab越小，說明剔除該變量對原始數(shù)據(jù)結(jié)構(gòu)影響越大，為了保持原有數(shù)據(jù)結(jié)構(gòu)，該變量應(yīng)被保留。
3.根據(jù)權(quán)利要求1所述的面向高維非線性軟測量模型的輔助變量約簡方法，其特征在于步驟二中的融合核獨立成分分析與虛假最近鄰點方法，如下: (一)、利用KICA算法計算樣本集的k個KICA主元得分向量ti;i = 1,2,..., k,組成主元得分矩陣T=[t1;...，&，…，tk]，按如下步驟進(jìn)行:(1)輸入:輔助變量X= [X1,…，Xi,…xm]T，輸出為Y = Iiy1,…，yi7…ym]T; (2)定義輔助變量矩陣χ的核矩陣:計算核矩陣1(，其中，1(的第1_位元素為1^= 1^0^，Xj)，i，j = 1，2,…，m,其中k(.)為核函數(shù)；(3)中心化核矩陣
4.根據(jù)權(quán)利要求1所述的面向高維非線性軟測量模型的輔助變量約簡方法，其特征在于在利用BP神經(jīng)網(wǎng)絡(luò)建立原始輔助變量序列中所包含變量的非線性模型的過程中，輸入層的節(jié)點個數(shù)等于當(dāng)前原始輔助變量序列中所包含的變量個數(shù)，隱含層的節(jié)點個數(shù)通過交互驗證法確定，輸出層的節(jié)點個數(shù)為1，其中，隱含層的傳遞函數(shù)為:
全文摘要
本發(fā)明公開了一種面向高維非線性軟測量模型的輔助變量約簡方法，其特征在于按如下步驟進(jìn)行一、確定與主導(dǎo)變量可能相關(guān)的n個原始輔助變量，采集n個原始輔助變量和主導(dǎo)變量取值數(shù)據(jù)并組成樣本集；二、融合KICA和FNN方法分別計算n個原始輔助變量的權(quán)重值；三、組成原始輔助變量序列；四、建模并根據(jù)最小均方誤差MSE確定最佳輔助變量；五、得到軟測量的約簡模型。本發(fā)明能夠在建模效果最佳的基礎(chǔ)上找出含輔助變量個數(shù)最少的輔助變量集對主導(dǎo)變量進(jìn)行建模，實現(xiàn)對輔助變量的約簡。
文檔編號G06F17/50GK103186696SQ20131006850
公開日2013年7月3日 申請日期2013年3月5日 優(yōu)先權(quán)日2013年3月5日
發(fā)明者蘇盈盈, 李太福, 顏克勝, 姚力忠, 曾誠 申請人:重慶科技學(xué)院