原创力文档- 1、本文档共6页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于改进随机梯度boosting算法的软测量建模-化工学报
第 68 卷 第 3 期 化 工 学 报 Vol.68 No.3
March 2017
2017 年 3 月 CIESC Journal ·970 ·
DOI ：10.11949/j.issn.0438-1157
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，自适应调整收缩参数 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：TP 273 文献标志码：A 文章编号：0438—1157 （2017 ）03—0970—06
Soft sensor modelling method based on modified stochastic gradient
Boosting algorithm
CANG Wentao, YANG Huizhong
(Key Laboratory of Advanced Process Control for Light Industry (Ministry of Education), Jiangnan University,
Wuxi 214122, Jiangsu, China)
Abstract: When soft sensor models were constructed for complicated chemical processes by traditional stochastic
gradient Boosting (SGB), improper selection of shrinkage parameters would reduce convergence rate of the
algorithm, engender overfitting, and sometimes make it difficult to obtain a satisfactory generalization
performance. In order to solve this problem, a modified SGB ensemble learning soft sensor was proposed, in
which Gaussian process re
文档评论（0）