贝叶斯分类器的关联向量机多模型软测量建模

为了改善软测量模型的估计精度,提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类,并对不同类别的输入数据分别建立关联向量回归机子模型,用“切换开关”方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明：与单模型支持向量机相比,该方法估计精度较高,具有一定的应用价值。     

基于贝叶斯网络的软测量建模方法

软测量技术对化工生产过程中提高产品质量和保证安全生产具有重要的作用,因此对化工软测量建模方法的研究具有重要意义.本文将贝叶斯网络应用于化工软测量建模,采用高斯混合模型来近似表达贝叶斯网络模型中的联合概率分布,通过Expectation Maximization算法求解出高斯混合模型参数并给出了贝叶斯网络估计公式.应用此法分别对某炼油厂脱丁烷塔塔底丁烷含量和某双酚A生产过程中脱水塔出口组分苯酚含量建立了软测量模型,取得了良好的离线估计结果.仿真结果表明,与支持向量机相比,在估计精度相当的情况下,省去了许多过程参数的估计,是1种有效的软测量建模方法.     

基于“3σ”规则的贝叶斯分类器

在软测量建模问题中为了提高模型的估计精度,通常需要将原始数据集分类,以构造多个子模型。数据分类中利用朴素贝叶斯分类器简单高效的优点,首先对连续的类变量进行类别范围划分,然后用概率论中的3σ规则对连续的属性变量离散。可以消除训练样本中干扰数据的影响,利用遗传算法从训练样本集中优选样本。对连续变量的离散和样本的优选作为对数据的预处理,预处理后的训练样本构建贝叶斯分类器。通过对UC I数据集和双酚A生产过程在线监测数据集的实验仿真,实验结果表明,遗传算法优选样本集的3σ规则朴素贝叶斯分类方法比其它方法有更高的分类精度。