第11章软测量技术探究.ppt

* 二、RBF算法 * 二、RBF算法（径向基函数网络） 支持向量回归（Support Vector Regression）是支持向量机在函数回归领域的应用。 对于线性情况，支持向量机函数拟合首先考虑用线性回归函数拟合。 5. 支持向量回归（SVR） 约束条件 该问题的求解为二次优化问题，通过拉格朗日乘子转化为 计算b的值及决策函数 非线性SVR的基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果。 首先将输入量通过映射 映射到高维特征空间H中，则 则优化目标函数变为： 在高维空间中计算内积十分复杂，鉴于核函数优秀的内积计算性质 则优化目标函数可表示： 最终回归函数为： 数据采集： ◆ 根据过程历史数据和实验室数据建立软测量模型。数据由间歇采集到的数据集构成。 ◆ 现场数据和实验室数据的采集总量要求覆盖典型操作期内软测量模型预期有效的整个测量范围。 ◆ 典型的数据采集是一个迭代过程，首先使用第一个数据集建模，之后修改这个模型，即采集更多的数据用以改善软测量模型的测量精度或扩大它的测量范围。 第五节 软测量基本过程 格式化： 所获得的数据的形式一般是未经组织的文本格式，格式化步骤就是将文本数据转换成易于编辑的表格形式。格式化不以任何方式改变数据文件，主要是重新组织数据集，以便对其进行有效的处理。 预处理： 即数据编辑步骤，移去无效数据，填补丢失数据，对数据进行滤波，以及对数据进行归一化处理等。 第五节 软测量基本过程 建模： ◆ 通过建模步骤，用经过预处理的数据作为模型学习数据。 ◆ 用于软测量建模的数据集一般分成三组：训练集，测试集和确认集。训练集用于训练，建立网络模型；测试集用于测试网络模型对于未参与网络训练的数据的预估精度。当训练和测试误差极小化时，保存神经网络参数，即形成软测量模型。最后，需要使用确认集进行模型验证，观察软测量模型输出是否与由分析得出的实际测量值匹配。 第五节 软测量基本过程 模型分析：从工程意义的角度，通过检验参与训练的输入变量（即辅助变量），确认它们对于软测量建模的重要程度。这种重要程度可以通过输出变量对输入变量的敏感度反映。 左侧图指示输出变量对输入变量的敏感度，右侧表列出敏感度的数值 第五节 软测量基本过程 气固两相流中固相质量流量的软测量： ◆ 气固两相流中固相质量的在线测量，对气固两相流工业过程的检测和控制具有重要意义。本例以固相质量流量测量为例，介绍基于神经网络的软测量建模方法。 ◆在气力输送过程中，差压比和混合比的经验关系式通常表示如下： 其中: Δpt为管程总压降；Δpg为纯气相压降；ms为固相质量流量；mg为气相质量流量；k为比例系数。 第六节 基于神经网络的软测量实例 气固两相流中固相质量流量的软测量： 经验公式中的比例系数k受诸多因素的影响，因此其值一般是通过实验得到的经验值。这种经验值具有较大的局限性，即仅对特定的系统有效，难以适用于其他类型的两相流系统。 神经网络可以通过对大量实验数据的学习，将这些难以确定的因素包含在权值中，从而简化了机理推导和数据分析的过程。 第六节 基于神经网络的软测量实例 气固两相流中固相质量流量的软测量： ◆ 由经验公式可知，固相质量流量的主要关联因素为管程总压降、纯气相压降及气相质量流量。又因纯气相压降可由气相质量流量推出，因此可将管程总压降及气相质量流量视为固相质量流量的主要关联因素，用作神经网络的输入。 第六节 基于神经网络的软测量实例 气固两相流中固相质量流量的软测量： ◆ 所使用的神经网络是为2-3-1的多层前向网络，其中输入为气相质量流量mg 和管程总压降Δpt，输出为固相质量流量的估计值 。网络训练采用BP算法。 第六节 基于神经网络的软测量实例 气固两相流中固相质量流量的软测量： ◆ 采用仓泵式气力输送系统为实验装置。用流量计测量气相质量流量，压差变送器用以获得管程总压降，训练样本中的固相质量流量由电子秤离线标定。训练样本数据为29组。 第六节 基于神经网络的软测量实例 气固两相流中固相质量流量的软测量： ◆ 网络训练过程和网络模型的误差曲线如下图所示。 第六节 基于神经网络的软测量实例 第七节 软测量应用中的若干问题 1. 辅助变量的选择 辅助变量应当选择起主要作用的变量 辅助变量数目最多不超过8 ~ 10个； 选择辅助变量可以通过主元分析（主分量分析）或机理分析的方法，删除影响甚微的辅助变量。 2. 回归模型的形式 非线性回归模型 人工神经网络模型 非线性函