【摘要】：雙酚A生產(chǎn)過程中的對(duì)象一般都具備多變量、非線性、多工況等復(fù)雜特性,采用單一的數(shù)據(jù)驅(qū)動(dòng)模型難以準(zhǔn)確的描述它的過程特性,并且所建立模型的預(yù)測精度也較差。如何提高模型的預(yù)測精度是需要解決的難點(diǎn)問題,多模型建模方法在軟測量中的應(yīng)用為此提供了有效的解決途徑。為了進(jìn)一步提高復(fù)雜工業(yè)過程中軟測量模型的預(yù)測精度,本文主要研究基于多模型的軟測量建模方法,從樣本缺失數(shù)據(jù)的補(bǔ)全和聚類方法的改進(jìn)等角度來提高多模型建模的預(yù)測精度。結(jié)合實(shí)際工業(yè)背景,分別對(duì)雙酚A生成過程中的結(jié)晶單元進(jìn)行單一模型建模和多模型建模來進(jìn)行對(duì)比,主要的研究成果如下:(1)工業(yè)過程中樣本數(shù)據(jù)缺失的現(xiàn)象普遍并且缺失情況較為嚴(yán)重。如果能對(duì)缺失數(shù)據(jù)進(jìn)行有效的補(bǔ)全,不但能增加模型訓(xùn)練樣本的數(shù)量,還能提高所建立多模型的預(yù)測精度。針對(duì)k近鄰補(bǔ)全算法在缺失數(shù)據(jù)的近鄰選擇上存在的偏向性問題,提出了一種改進(jìn)的k近鄰數(shù)據(jù)補(bǔ)全算法。改進(jìn)算法有效的解決了k近鄰補(bǔ)全算法在近鄰選取上的偏向性,并且根據(jù)選取的近鄰樣本與缺失樣本之間的距離不同,賦予近鄰樣本不同的權(quán)值。對(duì)補(bǔ)全后的樣本數(shù)據(jù)進(jìn)行k均值聚類,再通過高斯過程回歸建立樣本的子模型,采用“開關(guān)切換”的子模型融合方式得到最終的多模型。采用來自雙酚A生產(chǎn)過程中結(jié)晶單元C303的350組數(shù)據(jù)進(jìn)行訓(xùn)練,50組用于測試。仿真結(jié)果顯示補(bǔ)全后的多模型預(yù)測結(jié)果平均相對(duì)誤差為1.18%,相比于單模型和未補(bǔ)全的多模型具有更高的預(yù)測精度。(2)聚類是多模型軟測量建模中的一種重要的方法,通過對(duì)樣本數(shù)據(jù)準(zhǔn)確的聚類,可以有效的提高多模型建模的預(yù)測精度。針對(duì)傳統(tǒng)聚類方法過于依賴樣本的空間分布和先驗(yàn)知識(shí)等缺點(diǎn),本文提出了一種改進(jìn)的擴(kuò)張搜索聚類算法。該算法充分考慮了樣本疏密度的影響,適用于各種形狀的樣本分布,根據(jù)每個(gè)樣本點(diǎn)的疏密度給予不同的搜索半徑距離,并引入閾值對(duì)不同疏密度的樣本點(diǎn)采用不同的聚類方式。分別使用改進(jìn)的擴(kuò)張搜索聚類算法、擴(kuò)張搜索聚類算法以及k均值聚類算法對(duì)樣本進(jìn)行聚類,聚類后的樣本采用高斯過程回歸建模,并且利用“開關(guān)切換”的融合方式得到最終的多模型。采用來自雙酚A生產(chǎn)過程中溶解罐V304的300組數(shù)據(jù)進(jìn)行訓(xùn)練,50組用于測試。仿真結(jié)果表明基于改進(jìn)的擴(kuò)張搜索聚類算法建立的軟測量多模型的平均相對(duì)誤差為1.2%,相比于其它對(duì)比方法具有更高的預(yù)測精度。(3)針對(duì)模糊C均值聚類算法中存在的缺點(diǎn),提出了一種改進(jìn)的混合蛙跳算法與模糊C均值聚類相結(jié)合的聚類算法。首先研究混合蛙跳算法的尋優(yōu)機(jī)制,針對(duì)其存在容易陷入局部最優(yōu)和收斂效果不理想等問題,提出了一種改進(jìn)的混合蛙跳算法。將改進(jìn)的混合蛙跳算法運(yùn)用到模糊C均值聚類方法中來獲得最優(yōu)的聚類中心。利用得到的最優(yōu)聚類中心對(duì)樣本進(jìn)行類別劃分,用高斯過程回歸對(duì)聚類后的各類樣本子集分別建立對(duì)應(yīng)的子模型,通過“加權(quán)求和”的子模型融合方法得到最終的系統(tǒng)輸出。采用來自雙酚A生產(chǎn)過程中溶解罐V304的300組數(shù)據(jù)進(jìn)行訓(xùn)練,50組用于測試。仿真結(jié)果表明基于改進(jìn)的混合蛙跳算法與模糊C均值相結(jié)合的聚類方法建立的軟測量多模型的平均相對(duì)誤差為0.85%,該方法有效提高了多模型建模的預(yù)測精度。
[Abstract]:......
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TQ042

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫茂偉;楊慧中;;基于改進(jìn)仿射傳播聚類的多模型軟測量建模及應(yīng)用[J];南京理工大學(xué)學(xué)報(bào);2016年02期

2 黃斌;彭志平;;基于級(jí)聯(lián)過濾的多模型融合的推薦方法[J];小型微型計(jì)算機(jī)系統(tǒng);2016年01期

3 雙翼帆;顧幸生;;基于改進(jìn)的快速搜索聚類算法和高斯過程回歸的催化重整脫氯前氫氣純度多模型建模方法[J];化工學(xué)報(bào);2016年03期

4 喻金平;張勇;廖列法;梅宏標(biāo);;基于混合蛙跳聯(lián)合聚類的協(xié)同過濾算法[J];微電子學(xué)與計(jì)算機(jī);2016年01期

5 梅從立;楊銘;劉國海;;基于證據(jù)合成的高斯過程回歸多模型軟測量方法[J];化工學(xué)報(bào);2015年11期

6 傅永峰;徐歐官;陳祥華;陳偉杰;;基于多模型動(dòng)態(tài)融合的自適應(yīng)軟測量建模方法[J];高�；瘜W(xué)工程學(xué)報(bào);2015年05期

7 李榮雨;王立明;;改進(jìn)遞推最小二乘支持向量機(jī)及在過程建模中的應(yīng)用[J];儀表技術(shù)與傳感器;2015年09期

8 康軍;段宗濤;唐蕾;劉研;王超;;高斯過程回歸短時(shí)交通流預(yù)測方法[J];交通運(yùn)輸系統(tǒng)工程與信息;2015年04期

9 孫茂偉;楊慧中;;局部加權(quán)混合核偏最小二乘算法及其在軟測量中的應(yīng)用[J];信息與控制;2015年04期

10 許小龍;王士同;梅向東;;基于局部和全局信息的改進(jìn)聚類算法[J];計(jì)算機(jī)工程;2015年06期

相關(guān)碩士學(xué)位論文 前5條

1 孫茂偉;基于機(jī)器學(xué)習(xí)的軟測量建模及其應(yīng)用[D];江南大學(xué);2016年

2 朱建宇;K均值算法研究及其應(yīng)用[D];大連理工大學(xué);2013年

3 鄧衛(wèi)衛(wèi);多模型軟測量建模方法研究及其應(yīng)用[D];江南大學(xué);2012年

4 李真;融合粒子群和蛙跳算法的模糊C-均值聚類算法研究[D];長沙理工大學(xué);2011年

5 成亮鋮;雙酚A生產(chǎn)過程軟測量混合建模的研究[D];江南大學(xué);2009年

，

本文編號(hào)：2279237