基于即时学习的不完整高维数据非线性过程软测量 |
| |
作者姓名: | 颜丙云 于飞 黄彪 |
| |
作者单位: | 青岛科技大学 自动化与电子工程学院,山东 青岛 266061;阿尔伯塔大学 化学与材料工程系,加拿大 阿尔伯塔 T6G1H9 |
| |
摘 要: | 由于现代工业过程中数据存在高维性、强非线性、时变性和不完整性等特性,限制了局部加权偏最小二乘算法(LW-PLS)的预测精度。因此,本工作在即时学习建模算法的基础上,将偏最小二乘算法(PLS)应用于相似性样本的选择中,并研究比较了基于主成分分析法(PCA)无监督降维的即时学习算法和基于PLS有监督降维的即时学习算法。概率主成分分析法(PPCA)可以有效的解决数据不完整性的问题;基于PCA和PLS算法的处理,有效的解决了数据高维性问题。基于即时学习的局部加权建模,可以有效解决数据的时变性和非线性问题。所研究算法的有效性在一个数值例子和脱丁烷塔实例中得到了验证。
|
关 键 词: | 概率主成分分析 即时学习 偏最小二乘法 局部加权偏最小二乘算法 |
本文献已被 CNKI 万方数据 等数据库收录! |
|