基于改进随机梯度Boosting算法的软测量建模.pdf

第 68卷 第 3期 化 工 学 报 V_01．68NO．3 2017年 3月 CIESC Journal March 2017 乒0 eect= ‘ 研究论文i DOI：10．11949~．issn．0438—1157 ： j ，： ? 基于改进随机梯度Boosting算法的软测量建模 仓文涛，杨慧中 (江南大学轻工过程先进控制教育部重点实验室，江苏 无锡 214122) 摘要：在建立复杂化工过程软测量模型时，使用传统的随机梯度 Boosting算法 (SGB)建模若收缩参数v选取不 当会明显降低算法收敛速度，且极易陷入过拟合，难以取得令人满意的泛化效果。为解决这一问题，提出了一种 基于SGB集成学习的软测量建模方法，采用高斯过程回归作为基学习器，并针对 SGB算法固有的不足，依据每 一 次迭代中弱学习机的反馈，白适应调整收缩参数v，改善了SGB算法的过度拟合，从而提高了集成模型的估计 精度与学习效率。将该方法应用于某双酚 A装置的软测量建模中，仿真结果表明，相比于传统 SGB建模，该方 法具有更高的泛化性能和学习效率。 关键词：算法；计算机模拟；集成；随机梯度Boosting；软测量 中图分类号：TP273 文献标志码：A 文章编号：0438—1157(2017)03—0970—06 Softsensormodellingmethodbasedonmodifiedstochasticgradient Boostingalgorithm CANGW entao，YANG Huizhong (KeyLaboratoryofAdvancedProcessControlforLightlndustry (MinistryofEducation)，JiangnanUniversity， Wuxi214122，Jiangsu，China) Abstract：Whensoftsensormodelswereconstructedforcomplicatedchemicalprocessesbytraditionalstochastic gradientBoosting (SGB)，improperselectionofshrinkageparameterswouldreduceconvergencerateofthe algorithm，engender overfitting，and sometimes make itdi~cultto obtain a satisfactory generalization performance．In ordertosolvethisproblem，amodifiedSGB ensemblelearning softsensorwasproposed ． in whichGaussianprocessregression (GPR)wasadoptedasbaselearnerandshrinkageparameterswere automaticallyadjustedaccordingtofeedbackofaweaklearnerineachiterationsuchthatbothestimat