推理估計方法及其在化工過程建模中應(yīng)用.pdf

1、推理估計器是推理控制系統(tǒng)設(shè)計的關(guān)鍵，推理估計器模型(軟測量模型)的設(shè)計方法也是設(shè)計一個控制系統(tǒng)的關(guān)鍵，也是軟測量技術(shù)的核心。不同于一般意義下的數(shù)學(xué)模型，它強調(diào)的是通過二次變量來獲得對主導(dǎo)變量的最優(yōu)估計。 本文在介紹了推理估計器設(shè)計方法的基礎(chǔ)上，針對推理估計器的兩種常用方法一偏最小二乘回歸法(PLS)和支持向量機(SVM)建模方法進行了深入研究。偏最小二乘回歸是一種新型多元統(tǒng)計分析方法，在因變量對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，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(SVM)建模方法是一種新的數(shù)據(jù)建模方法，它以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，采用結(jié)構(gòu)風(fēng)險最小化準則，在最小化樣本擬合誤差的同時控制學(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，對原有的縮放法進行改進。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，縮小測試誤差，來提高PLS的泛化能力。多個仿真實驗和分析表明，基于r因子的縮放法簡單可靠，效果明顯，可用以改進和提高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輸入樣本對模型的輸出都看作有著相同的影響，各個輸入樣本不同的預(yù)報能力往往被忽略。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方法對樣本數(shù)據(jù)進行回歸建模，然后根據(jù)增量學(xué)習(xí)的逆方法-減量學(xué)習(xí)方法，分析各個樣本，為預(yù)報能力弱的樣本分配權(quán)值。用重新分配了權(quán)值的樣本進行訓(xùn)練，得到泛化能力更強的模型。將RWPLS應(yīng)用于雙酚A結(jié)晶過程軟測量建模，可以獲得更高精度的模型。 推理控制的思想是實現(xiàn)推算出主導(dǎo)變量以實現(xiàn)反饋控制，或推算出干擾以實現(xiàn)前饋控制。根據(jù)上述思想，以提高模型的預(yù)測能力為目標，本文提出了一種