文献类型：专利

专利类型：发明专利

是否失效：否

是否授权：否

申 请 号：CN201210551632.8

申 请 日：20121218

发 明 人：苏盈盈 姚立忠 颜克胜 李太福 胡文金 王美丹

申 请 人：重庆科技学院

申请人地址：401331 重庆市沙坪坝区虎溪大学城重庆科技学院电气与信息工程学院

公 开 日：20150318

公 开 号：CN102967327B

代 理 人：余锦曦

代理机构：50216 重庆为信知识产权代理事务所(普通合伙)

语　　种：中文

摘　　要：本发明公开了一种融合KPLS与FNN的生产过程主导变量精简化软测量方法其特征在于按如下步骤进行：一，确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量取值数据并组成样本集；二，融合KPLS和FNN方法分别计算n个原始辅助变量的权重值；三，组成原始辅助变量序列；四，建模并根据最小均方误差MSE确定最佳辅助变量；五，得到精简化软测量模型。本发明能够在建模效果最佳的基础上找出含辅助变量个数最少的辅助变量集对主导变量进行建模，实现对主导变量精简化的软测量。

主 权 项：1.一种融合KPLS与FNN的生产过程主导变量精简化软测量方法，其特征在于按如下步骤进行：步骤一：确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量的取值，组成样本集，样本集大小为m；将n个原始辅助变量数据写成矩阵X＝[x₁,…,x_m]^T形式，主导变量数据写成矩阵Y＝[y₁,…,y_m]^T，其中，并将它们进行标准化处理；步骤二：融合KPLS和FNN方法分别计算n个原始辅助变量的权重值；步骤三：n个原始辅助变量组成原始辅助变量序列；步骤四：确定最佳辅助变量集，包括以下步骤：第一步，设定循环次数N＝n；第二步，随机从样本集中选择p个样本作为训练样本，剩下的m-p个样本作为检验样本；第三步，根据所述训练样本，利用BP神经网络建立原始辅助变量序列中所包含变量的非线性模型；第四步，将所述检验样本的原始辅助变量值输入至所述非线性模型，得到m-p个检验样本对应的主导变量预测值；第五步，计算m-p个检验样本预测值的均方误差MSE；第六步，删除当前原始辅助变量序列中权重值最小的原始辅助变量，组成新的原始辅助变量序列，并设定N＝N-1，判断此时N是否为0：如果N≠0，则回到第三步；如果N＝0，则最小的MSE对应原始辅助变量序列即为最佳辅助变量集；步骤五：最佳辅助变量集在步骤四中对应的非线性模型即为精简化软测量模型；所述融合KPLS和FNN方法计算某个原始辅助变量A的权重值按如下步骤进行：(一)：利用KPLS算法计算样本集的k个KPLS主元得分向量组成的主元得分矩阵T＝[t₁,…,t_k]，按如下步骤进行：(1)：计算核矩阵K，其�

关 键 词：辅助变量  主导变量  建模  最小均方误差 变量个数  测量方法 测量模型  融合  含辅助  样本  采集  

IPC专利分类号：G01D21/00(20060101)