工業(yè)生產(chǎn)過程變量的準(zhǔn)確預(yù)測可以為工業(yè)系統(tǒng)的調(diào)度及決策工作提供重要指導(dǎo),也是預(yù)測控制技術(shù)的重要組成部分。目前,基于數(shù)據(jù)的預(yù)測方法被廣泛應(yīng)用于生產(chǎn)過程變量預(yù)測中。然而鑒于工業(yè)數(shù)據(jù)普遍具有高噪聲、含缺失點等特點,難以準(zhǔn)確擬合過程變量之間的復(fù)雜非線性關(guān)系,從而使得對模型精度的提升提出了巨大挑戰(zhàn)。因此,本文研究了復(fù)雜工業(yè)數(shù)據(jù)驅(qū)動的過程變量預(yù)測方法,具體內(nèi)容如下:針對過程變量預(yù)測中的特征選擇問題,提出一種基于局部線性化變分推理的嵌入式特征選擇模型。通過一種基于局部線性化的后驗概率高斯近似方法,解決了核函數(shù)參數(shù)的后驗變分概率分布估計問題,進(jìn)而對相關(guān)特征做出選擇。此外,相比于普遍采用的點估計而言,本文推導(dǎo)出模型中其他參數(shù)的后驗概率。針對輸入數(shù)據(jù)不確定性的建模問題,提出一種考慮輸入噪聲的相關(guān)向量機預(yù)測模型。鑒于直接考慮含輸入噪聲建模會導(dǎo)致邊緣似然函數(shù)的精確解難以計算,設(shè)計了一種基于完全期望和完全方差準(zhǔn)則的邊緣似然函數(shù)高斯近似方法,并針對該模型權(quán)值的后驗概率推理問題,采用馬爾科夫鏈-蒙特卡洛抽樣方法來近似估計權(quán)值后驗分布的均值和協(xié)方差矩陣�？紤]工業(yè)時間序列訓(xùn)練樣本集存在缺失點的情況,提出一種基于相關(guān)向量機... 

【文章頁數(shù)】：122 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
主要符號表
1 緒論
    1.1 研究背景及意義
    1.2 基于數(shù)據(jù)的生產(chǎn)過程變量預(yù)測方法
        1.2.1 特征選擇
        1.2.2 預(yù)測模型建模與參數(shù)優(yōu)化
    1.3 概率型機器學(xué)習(xí)方法綜述
        1.3.1 稀疏貝葉斯學(xué)習(xí)及相關(guān)向量機
        1.3.2 輸入含不確定性的數(shù)據(jù)驅(qū)動建模
        1.3.3 非完備數(shù)據(jù)集建模
        1.3.4 嵌入式特征選擇方法
    1.4 主要研究內(nèi)容
2 基于局部線性化變分推理的嵌入式特征選擇
    2.1 帶有ARD核函數(shù)的RVM回歸模型
    2.2 RVM-ARDK模型的變分推理學(xué)習(xí)算法
        2.2.1 核函數(shù)參數(shù)s的后驗變分分布
        2.2.2 其他參數(shù)的后驗變分分布
    2.3 VRVM-ARDK模型訓(xùn)練算法和模型選擇
    2.4 VRVM-ARDK模型的預(yù)測分布
    2.5 VRVM-ARDK分類模型
    2.6 仿真實驗與分析
        2.6.1 人工數(shù)據(jù)集
        2.6.2 標(biāo)準(zhǔn)數(shù)據(jù)集
        2.6.3 磨礦過程溢流粒度數(shù)據(jù)集
    2.7 本章小節(jié)
3 考慮輸入噪聲的工業(yè)過程變量預(yù)測
    3.1 考慮輸入噪聲的RVM回歸模型
    3.2 邊緣似然函數(shù)的高斯近似
    3.3 權(quán)值向量后驗概率的隨機抽樣近似
    3.4 預(yù)測分布
    3.5 仿真實驗與分析
        3.5.1 人工數(shù)據(jù)集
        3.5.2 標(biāo)準(zhǔn)數(shù)據(jù)集
        3.5.3 高爐煤氣柜柜位數(shù)據(jù)集
    3.6 本章小結(jié)
4 針對不完整訓(xùn)練數(shù)據(jù)集的工業(yè)時間序列預(yù)測
    4.1 針對不完整訓(xùn)練集的RVM模型
        4.1.1 模型表達(dá)
        4.1.2 基于EM算法的輸出缺失值估計
        4.1.3 基于邊緣似然函數(shù)優(yōu)化的輸出缺失值估計
    4.2 預(yù)測分布和模型選擇
    4.3 兩種算法對比和計算復(fù)雜度分析
    4.4 仿真實驗與分析
        4.4.1 含噪聲Rossler時間序列數(shù)據(jù)
        4.4.2 地鐵交通數(shù)據(jù)集
        4.4.3 高爐煤氣管網(wǎng)受入流量數(shù)據(jù)集
        4.4.4 焦?fàn)t消耗BFG流量數(shù)據(jù)集
        4.4.5 RVM-ITS模型的計算效率對比
    4.5 本章小結(jié)
5 針對不完整測試樣本的工業(yè)時間序列區(qū)間預(yù)測
    5.1 基于RVM回歸的高階動態(tài)貝葉斯網(wǎng)絡(luò)
    5.2 基于RVM的高階動態(tài)貝葉斯網(wǎng)的學(xué)習(xí)
        5.2.1 網(wǎng)絡(luò)參數(shù)的稀疏貝葉斯學(xué)習(xí)
        5.2.2 DBN-RVM模型的結(jié)構(gòu)學(xué)習(xí)
    5.3 測試樣本含缺失點條件下的近似推理及預(yù)測區(qū)間構(gòu)造
    5.4 DBN-RVM模型的變分推理算法
        5.4.1 缺失節(jié)點的最優(yōu)變分推理
        5.4.2 預(yù)測節(jié)點的推理
        5.4.3 求期望的計算細(xì)節(jié)
        5.4.4 計算復(fù)雜度分析
    5.5 仿真實驗與分析
        5.5.1 含噪聲的MackeyGlass時間序列數(shù)據(jù)集
        5.5.2 高爐煤氣管網(wǎng)受入流量數(shù)據(jù)集
    5.6 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點摘要
    6.3 展望
參考文獻(xiàn)
附錄A VRVM-ARDK模型中正定矩陣∑_s的證明
附錄B VRVM-ARDK模型的求期望計算
攻讀博士學(xué)位期間科研項目及科研成果
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)動態(tài)規(guī)劃的礦渣微粉生產(chǎn)過程跟蹤控制[J]. 王康,李曉理,賈超,宋桂芝.  自動化學(xué)報. 2016(10)
[2]基于多目標(biāo)分層遺傳模糊建模的磨礦過程溢流粒度軟測量[J]. 趙珺,崔慶磊,劉穎,王偉.  控制與決策. 2015(12)
[3]全局優(yōu)化視角下的有色冶金過程建模與控制[J]. 周曉君,陽春華,桂衛(wèi)華.  控制理論與應(yīng)用. 2015(09)
[4]一種基于預(yù)測控制的SaaS系統(tǒng)自適應(yīng)方法[J]. 熊偉,李兵,陳軍,周華昱.  計算機學(xué)報. 2016(02)
[5]基于坐標(biāo)補償?shù)淖詣硬窜囅到y(tǒng)無模型自適應(yīng)控制[J]. 侯忠生,董航瑞,金尚泰.  自動化學(xué)報. 2015(04)
[6]選礦過程精礦品位自適應(yīng)在線支持向量預(yù)測方法[J]. 劉長鑫,丁進(jìn)良,姜波,柴天佑.  控制理論與應(yīng)用. 2014(03)
[7]針鐵礦法沉鐵過程亞鐵離子濃度預(yù)測[J]. 謝世文,謝永芳,陽春華,蔣朝輝,桂衛(wèi)華.  自動化學(xué)報. 2014(05)
[8]電熔鎂砂產(chǎn)品單噸能耗混合預(yù)報模型[J]. 吳志偉,柴天佑,吳永建.  自動化學(xué)報. 2013(12)
[9]煉焦生產(chǎn)過程綜合生產(chǎn)指標(biāo)的改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J]. 王偉,吳敏,雷琪,曹衛(wèi)華.  控制理論與應(yīng)用. 2009(12)
[10]基于核偏最小二乘法的動態(tài)預(yù)測模型在銅轉(zhuǎn)爐吹煉中的應(yīng)用[J]. 宋海鷹,桂衛(wèi)華,陽春華,彭小奇.  中國有色金屬學(xué)報. 2007(07)



本文編號：3695472