推理估計(jì)方法及其在化工過程建模中應(yīng)用.pdf

1、推理估計(jì)器是推理控制系統(tǒng)設(shè)計(jì)的關(guān)鍵，推理估計(jì)器模型(軟測(cè)量模型)的設(shè)計(jì)方法也是設(shè)計(jì)一個(gè)控制系統(tǒng)的關(guān)鍵，也是軟測(cè)量技術(shù)的核心。不同于一般意義下的數(shù)學(xué)模型，它強(qiáng)調(diào)的是通過二次變量來獲得對(duì)主導(dǎo)變量的最優(yōu)估計(jì)。 本文在介紹了推理估計(jì)器設(shè)計(jì)方法的基礎(chǔ)上，針對(duì)推理估計(jì)器的兩種常用方法一偏最小二乘回歸法(PLS)和支持向量機(jī)(SVM)建模方法進(jìn)行了深入研究。偏最小二乘回歸是一種新型多元統(tǒng)計(jì)分析方法，在因變量對(duì)多自變量的回歸建模中，當(dāng)各變量集合

2、內(nèi)部存在較高程度的相關(guān)性時(shí)，用偏最小二乘回歸建模分析，比一般多元回歸更加有效，其結(jié)論更加可靠。支持向量機(jī)(SVM)建模方法是一種新的數(shù)據(jù)建模方法，它以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在最小化樣本擬合誤差的同時(shí)控制學(xué)習(xí)函數(shù)的復(fù)雜度，從而獲得良好的泛化能力。 為提高推理估計(jì)器模型的精度和PLS模型的泛化能力，本文首先將縮放的思想嵌入到PLS模型中，對(duì)原有的縮放法進(jìn)行改進(jìn)。通過縮小或放大訓(xùn)練集，將訓(xùn)練樣本模糊化，尋求用輸出

3、誤差最小的樣本集回歸模型，縮小測(cè)試誤差，來提高PLS的泛化能力。多個(gè)仿真實(shí)驗(yàn)和分析表明，基于r因子的縮放法簡(jiǎn)單可靠，效果明顯，可用以改進(jìn)和提高PLS的泛化能力。 在一般的多變量回歸建模方法中，通常將用來建立模型的每個(gè)輸入樣本對(duì)模型的輸出都看作有著相同的影響，各個(gè)輸入樣本不同的預(yù)報(bào)能力往往被忽略。本文將樣本權(quán)重和減量學(xué)習(xí)的思想嵌入到PLS算法中，提出了可調(diào)權(quán)重偏最小二乘回歸算法(Pezulable-weightedpartiall

4、eastsquares，RWPLS)。該方法首先用普通的PLS方法對(duì)樣本數(shù)據(jù)進(jìn)行回歸建模，然后根據(jù)增量學(xué)習(xí)的逆方法-減量學(xué)習(xí)方法，分析各個(gè)樣本，為預(yù)報(bào)能力弱的樣本分配權(quán)值。用重新分配了權(quán)值的樣本進(jìn)行訓(xùn)練，得到泛化能力更強(qiáng)的模型。將RWPLS應(yīng)用于雙酚A結(jié)晶過程軟測(cè)量建模，可以獲得更高精度的模型。 推理控制的思想是實(shí)現(xiàn)推算出主導(dǎo)變量以實(shí)現(xiàn)反饋控制，或推算出干擾以實(shí)現(xiàn)前饋控制。根據(jù)上述思想，以提高模型的預(yù)測(cè)能力為目標(biāo)，本文提出了一種