一种扩张搜索聚类的软测量建模方法

摘要

针对传统聚类方法过于依赖数据空间分布先验知识的缺点,本文提出了一种改进的扩张搜索聚类算法.由于工业过程具有非线性、多工况等特点,用单一模型描述过程特性难以取得理想效果.通过引入多模型软测量建模方法,能够对工业中不可测变量实现准确的估计,从而改善模型估计精度,提高模型泛化能力.该算法充分考虑了样本疏密度的影响,适用于任何形状的样本分布,排除样本中的孤立点,根据每个样本点的疏密度给予不同的搜索距离,并引入阈值对不同疏密度的样本点采用不同的聚类方式.采用这种改进的扩张搜索聚类算法对样本数据进行聚类,再用高斯过程对各类样本子集分别建立对应的软测量子模型,最终得到一个集成的软测量模型.仿真实验显示:基于改进的扩张搜索聚类算法建立的软测量模型具有更高的模型精度和良好的泛化性能.