一种改进的局部加权回归算法及其在软测量中的应用

摘要

加权支持向量机可以有效地抑制建模数据集中异常数据点对模型精度的影响。而局部加权学习算法与加权支持向量机的结合不仅可以简化加权算法,而且还能起到提高模型估计精度的作用。为此,通过结合上述两种算法提出了一种新的局部加权回归算法。在训练过程中,采用留一法为训练数据集中的每个样本建立一个局部加权支持向量回归机模型,得到具有不同模型参数的回归子模型,其中模型的参数由待估计样本的局部近邻所决定。通过在训练集中寻找最匹配的模型实现对测试样本的输出估计。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明该算法不仅具有较高的运行效率,而且较标准的加权支持向量回归机算法有更高的拟合精度和更好的泛化性能。