基于模型集群分析的软测量建模方法研究

摘要

近年来，由于工业生产的效益和质量要求，软测量已经成为一个重要的研究领域，进而出现了越来越多的软测量算法。然而，单个软测量算法往往只考虑过程的单一特性，忽略了其他特性，而实际的过程一般具有多个特性。单个算法在一些条件下能有很好的性能而在另一些条件下就有可能表现不佳，而集成学习方法可以从一定程度上解决这个问题。本文主要采用的方法有模型集群分析方法和贝叶斯算法，介绍了它们的基本思想和实现。针对单一软测量算法和单一值模型评价指标的局限性，本文尝试构造一个在模型集群分析方法框架下的集成学习系统，并设计了相应的GUI平台。具体包括:
　　1.在离群值查找方面，采用基于模型集群分析方法的蒙特卡洛交叉验证算法剔除离群值，由统计结果分析可知，离群值剔除后各个子模型算法和贝叶斯集成学习算法的精度都有提高;
　　2.选择适用于不同工业过程特性的多个软测量算法作为子算法，用贝叶斯算法对各个软测量子算法模型的预测结果进行集成，贝叶斯集成学习算法比任何一个子模型算法预测精度高的概率大，集成之后的结果更好;
　　3.在模型评价方面，通过产生大量训练集群，消除训练集的选择对于模型评价结果的影响，提高了数据的多样性，并提供了从统计学角度上评价模型的方法;
　　4.在MATLAB-GUI的平台上，开发了一个基于集成学习系统的软测量监测平台，可以实现在线的质量监测。
　　最后，对全文进行总结，并提出了后续展望。

目录

声明

致谢

摘要

1．1 课题背景与研究意义

1．2 软测量的研究内容和现状

1．3 本文涉及的方法概述

1．3．1 集成学习的基本思想

1．3．2 离群值剔除的基本思想

1．3．3 模型评价的基本思想

1．4 本文创新点

1．5 本文组织结构

1．6 本章小结

2．1 集成学习

2．1．1 生成多个学习器的方法

2．1．2 学习器集成的策略

2．2 模型集群分析

2．2．1 离群值侦测

2．2．2 变量选择

2．2．3 模型评价

2．3 贝叶斯算法

2．3．1 基本方法

2．3．2 在集成多个分类器中的应用

2．3．3 在集成多个回归预测器中的应用

2．4 本章小结

第3章 基于模型集群分析的贝叶斯集成系统设计

3．1 基于模型集群分析的贝叶斯集成系统介绍

3．1．1 数据预处理

3．1．2 对所有训练集建立子模型

3．1．3 计算贝叶斯后验概率

3．1．4 集成所有预测器的预测结果

3．2 多样性设计

3．2．1 训练集多样性

3．2．2 子模型算法多样性

3．3 本章小结

第4章 案例仿真

4．1 工业案例介绍

4．2 算法仿真

4．2．1 离群值剔除前后比较

4．3 本章小结

第5章 基于MATLAB-GUI的仿真平台设计

5．1 设计框架

5．1．1 系统框架

5．1．2 平台与框架的联系

5．2 MATLAB GUI设计

5．3 界面设计

5．3．1 登陆管理系统

5．3．2 系统配置界面

5．3．3 离线建模界面

5．3．4 在线监测界面

5．3．5 结果评估界面

5．4 本章小结

6．1 本文小结

6．2 展望

参考文献

个人简历