智能检测理论与技术03.pptVIP

3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 部分最小二乘法（第二代回归分析方法） 部分最小二乘回归法可以集多元回归分析，典型相关分析和主元分析的基本功能为一体，将建模预测类型的数据分析方法和非模型式的数据认识分析方法有机的结合起来。 基本思想：部分最小二乘回归法与普通多元回归分析方法在思路上的主要区别就是它在回归建模过程中采用了信息综合与筛选技术。还有就是它不直接考虑因变量集合与自变量集合的回归模型，而是在变量系统中提取若干对系统具有最佳解释能力的新综合变量。 3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 PLS在统计应用中的重要性 PLS是一种多因变量对多自变量的回归建模方法； PLS可以较好地解决许多以往普通多元回归解决不了的问题： - 更好地解决多重相关性在系统建模中的不良影响； - 不用受到样本点数太少的限制。 PLS实现了多种数据分析方法的综合应用。 3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 选用减一线粘度的数据，有181组数据，每组数据5个输入，1个粘度数据的输出。采用多元回归方法： 减一线粘度的回归方程可写作： y= -0.083214x1+ 0.013419x2+ 0.029689x3+ 38.005939x4+ 7.886674x5 其中：x1——减压塔塔顶温度 ；x2——减压塔塔顶真空度；x3——减一线温度；x4——减一线收率； x5——常压塔收率；y——减一线粘度 3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 减一线粘度拟合 3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 为了衡量回归效果，计算下面几个量： 离差平方和: 40.337322 平均标准偏差: 0.472079 复相关系数: 0.833725 总偏差平方和T 3.3 基于回归分析的智能检测 第三章 基于回归分析的智能检测 基于回归模型的智能检测原理 选用减一线粘度的数据，有181组数据，每组数据5个输入，1个粘度数据的输出。采用主元分析回归方法： 先将输入矩阵进行标准化处理后，通过非线性迭代部分最小二乘算法（NIPALS）来进行主元分析，在5组输入中提取出4个主元。然后按照主元回归的方法得到系统模型的参数。 * 智能检测 第三章 基于回归分析的智能检测 Intelligent Detection Theory and Technology 智能检测理论与技术 第二章内容回顾 一、系统类别与模型 二、检测系统的模型 三、检测系统静态特性 四、检测系统动态特性 五、基于过程的智能检测 3.1 回归分析方法概述 第三章 基于回归分析的智能检测 回归分析 回归分析是一种简单、实用而且成熟的确定变量间相关关系的方法。以最小二乘原理为基础的回归技术常用于线性模型的拟合。 线性关系 线性回归 非线性回归 自变量数量 一元回归分析 多元回归分析 3.1 回归分析方法概述 第三章 基于回归分析的智能检测 回归分析 3.1 回归分析方法概述 第三章 基于回归分析的智能检测 回归分析 线性化 在实践中，几个变量间的关系并不限于线性关系，更广泛地存在着非线性的相关关系。在解决非线性回归的问题中，可以采用下面两种线性化方法： 通过变量变换的方法，把非线性关系化成线性关系。需要确定曲线的函数类型。 如果实际问题的曲线类型不易判断时，可采用多项式进行逼近。因为任意曲线都可以近似地用多项式表示。 非线性回归一般都可以转化为线性回归。 3.2 线性回归分析方法 第三章 基于回归分析的智能检测 线性回归 一元线性回归 两个变量x、Y (随机变量)，x确定后，Y 按一定统计规律取值，有随机性。Y的数学期望E(Y )代替Y，研究E(Y )和x的关系，近似表示x和Y的关系。回归函数： 一元线性回归函数： 其中βi为待定系数，称为回归系数。 则随机变量Y可以表示为线形部分y和随机部分的叠加，即: 其中ε为随机变量。 3.2 线性回归分析方法 第三章 基于回归分析的智能检测 线性回归 多元线性回归 假设因变量Y(随机变量)的均值E(Y )=y可以表示成自变量{xi ：1≤i≤p }的线性组合，多元线性