推断控制和软测量技术.pptVIP

* * 软测量实例——辅助变量 二次风温Ts 窑尾烟室温度Te 大窑电流Iy Ts Te Iy * * 软测量实例——数据预处理 拉以达准则 去除测量数据中含有的显著误差，而传统统计判别方法对于测量数据中存在的输入输出数据失配误差却显得无能为力 模糊聚类 显著误差侦破 * * 软测量实例——模型建立 支持向量机，新兴的机器学习方法，相比神经网络具有全局优化、泛化能力强等优点 最小二乘支持向量机(LSSVM)，是支持向量机的一种扩展，只求解线性方程，其求解速度快，在函数逼近、建模等领域得到了广泛应用 * * 软测量实例——结果 * * 软测量实例——结果 训练样本 数 测试样本 数 LS-SVM RBF 训练均方差 测试均方差 训练均方差 测试均方差 模糊聚类 50 61 0.0035 0.0053 0.0017 0.0195 拉依达准则 80 95 0.0171 0.1233 0.0062 0.2052 表1 数据处理与建模方法性能比较 * * 软测量实例——结果 由表1可知，通过模糊聚类方法获得的样本数据的适应性明显优于拉依达准则方法获得的数据，原因在于模糊聚类方法去除了原始数据中含有的失配误差，而拉依达准则方法却没能去除；同时比较发现，LSSVM的训练均方差虽然大于RBF网络的训练方差，但其泛化均方差却小于RBF的泛化均方差，因而获得了更好的结果。 * * 8、软传感器