正则化学习算法在软测量建模中的应用.pdfVIP

圈圜嘲 Academic．Papers 正则化学习簧法在软测量建螟巾硇应用木 Regularization Learning Algorithm Applied for Soft-sensing Modeling 萧蕴诗 丁宏锴 岳继光 (同济大学电子与信息工程学院，上 海 200092) 摘 要：软测量技术的核心是建立软测量模型。基于过程可测信息集建立软测量模型即逼近建模过程是不 适定的。以径向基函数神经网络作为软测量模型，在软测量建模中引入正则化学习算法。以广义交叉验证作为正 则化参数估计方法，讨论了径向基函数神经网络软测量逼近建模的全局与局部正则化学习算法，给出的实例说明 了其有效性。 关键词：软测量技术 逼近建模 正则化学习 不适定性 径向基函数神经网络 Abstract：The core of soft·sensing techniques is soft·sensing modeling．It is ill·posed that the design of soft·sensing model based on measured data in process contro1．Using RBF(Radial Basis Function)network as the soft·sensing model， it’S natural to introduce regnlaxization learning algorithm．The Regulaxization parameters are estimated by GCV(Generalized Cross Validation)in the paper．Global regnlaxization and local regnlaxization learning algorithms of soft sensing modeling based on RBF network axe introduced respectively．The effectiveness is demonstrated in the case study． Key words：soft··sensing techniques approximating modeling regulaxization learning ill··posed RBF netw0rk 0 引 言 律或规律，推导出估计主导变量的精确数学模型。这种模型也称 在过程控制系统中，经常存在一些关键变量难以或无法直 为白箱模型(white．box models)。另一种方法是假定主导变量集 接通过硬件传感器测量。但另一方面，这些变量对于保证生产装 y与辅助变量集 存在映射关系 _． ，xeX，yeY~P基于过程可测信 置的连续平稳运行及生产能力的充分发挥是至关重要的。为解 息集D与某种最优化准则P，构造，的逼近模型F( ， )。这种 决这类重要但难于直接测量的变量问题。Joseph＆Bmsillow提出 方法称为逼近建模(approximating modeling)，O为逼近模型的参 过程推断控制(即软测量技术)_】J。软测量技术的基本思想是根 数；这样建立的模型也称为黑箱模型(black．box models)。通常逼 据某种最优准则，采集过程中容易测量而且与主导变量(primary 近建模过程组合了过程系统的部分先验信息，相应建立的模型称 variables)有密切关系的辅助变量(secondary variables)，通过建立 为灰箱模型(Gray-box Models)。 软测量模型实现对主导变量的最佳估计。软测量技术作为解决 由于实际工业过程的复杂性，往往难以完全由过程机理分析 这类问题的有效手段，已被广泛使用并得到了极大的发展 J。 得到软测量模型。事实上，