基于特征子空间虚假邻点判别软传感器模型变量选择.pdfVIP

第 xx 卷第 x 期  机 械 工 程 学 报  Vol.xx  No.x  2010 年  11 月 CHINESE JOURNAL OF MECHANICAL ENGINEERING  Nov..  20 10  基于特征子空间虚假邻点判别的软传感器 模型变量选择 *  李太福 易 军 苏盈盈 胡文金 余春娇  (重庆科技学院电气与信息工程学院 重庆  401331)  摘要：辅助变量选择技术是软传感器建模过程中降低信息冗余和提高效率的有效方法。该研究提出一种结合偏最小二乘回归 法与虚假最近邻法的变量选择法。采用偏最小二乘回归法有效合理地消除因子之间的多重共线性，在一个新的正交空间里， 受混沌相空间虚假最近邻点法的启示，通过计算某变量选择前后在特征子空间里的相关性，判断其对主导变量的解释能力， 由此进行变量的选择，最后利用偏最小二乘法得到软测量模型。该方法通过构造的实验和 Jolliff 变量选择实验作了验证，结 果显示该方法有良好的辅助变量选择能力。因此，该研究为软传感器建模的辅助变量选择方法提供了一种新方法。 关键词：软传感器建模 辅助变量选择 特征子空间 偏最小二乘法 虚假最近邻法 中图分类号：TP273  Reduction of Secondary Variables on Soft­sensing Model Based onFalse  NearestNeighbours in FeatureSubspace  LITaifu  YI Jun  Su Yingying   Hu Wenjin  Yu Chuanjiao  (Department ofElectrical and Information Engineering Chongqing University of Science and Technology,  Chongqing401331)  Abstract：Selection of  secondary variables is an effective way to reduce redundant information and to improve efficiency in  soft­sensing modeling. A novel method based on partial least­squares regression (PLS) and false nearest neighbor (FNN) method is  proposed on select the most suitable secondary process variables used as soft sensing inputs. In the proposed approach, the PLS can  be employed to overcome difficulties encountered with the existing multicollinearity between the factors. In the new orthogonal  space, it is inspired by FNN that interpretation of primary variable would be estimated by calculating the variables’ relativity in the  low­dimensional space to select secondary variables. The least square method can be used to get a soft­sensing model after the  variables selection. The variable selection results of structure sample and Jol