基于改进聚类和加权bagging的多模型软测量建模

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bagging的多模型建模方法。该方法在传统FCM聚类的基础上,利用K-近邻处理进一步降低错分率,改善聚类效果;通过相关性分析对训练样本集进行特征分组,将原始集划分为多个特征集;最后根据加权bagging的集成学习算法,融合支持向量机自适应地实现多模型建模。仿真结果表明,该建模方法可以合理地加权分配特征子模型,使得模型估计精度得到提高,具有更强的泛化能力。     

基于最大矩阵元法确定聚类数的软测量建模方法

采用模糊C均值聚类算法(FCM)与支持向量机(SVM)相结合的多模型建模方法:较单一支持向量机软测量模型而言,可以有效解决复杂工业对象的强非线性和大工况范围的问题。但是传统的模糊C均值聚类算法必须依赖先验知识预先确定聚类个数。本文通过建立样本间的相似矩阵,利用模糊聚类最大矩阵元法确定FCM最佳聚类个数,再由FCM对训练样本数据进行聚类并用SVM构建组合软测量模型,得到多模型软测量系统。在对双酚A结晶单元工艺分析的基础上,将该方法:应用于结晶单元苯酚含量的软测量建模,仿真结果:证明该建模方法:提高了模型的估计精度,具有更好的可行性和有效性,能够满足工业生产的要求。