半监督极限学习机在化工过程软测量建模中的应用研究

摘要

化工过程软测量建模对于保障化工生产装置的连续平稳操作及提高其产品质量具有重要的作用。然而，半监督学习方法还很少应用于化工过程的软测量建模，导致大量无标签样本的信息无法有效利用。本文提出两种半监督软测量建模方法，主要研究内容和创新点如下：
　　(1)针对目前大部分化工过程软测量模型没有利用无标签样本的缺点，提出将半监督极限学习机(Semi-supervised Extreme Learning Machine, SELM)应用到化工过程软测量建模中。SELM将无标签样本所携带的信息融合入软测量建模框架，有效提高了模型的预测精度及其可靠性。以重油催化裂化汽油收率软测量为例，与反向传播神经网络和极限学习机相比，验证了该方法的有效性。
　　(2)SELM中惩罚参数λ不能随有标签样本个数的变化自动变化，采用传统留一交叉验证方法的计算复杂度较大。提出了快速留一交叉验证半监督极限学习机(Fast-Leave-One-Out-Cross-Validation SELM,FSELM)方法，FSELM可以自动选取合理的惩罚参数λ，而且避免了传统留一交差验证复杂度较大的问题。以田纳西-伊斯曼过程19种成分变量软测量为例，与主元回归和极限学习机相比较，表明FSELM在化工过程软测量建模预测中，预测效果更好。
　　(3) FSELM中隐层节点个数需要靠经验选取，若选取不当，可能会导致模型过拟合。并且每次节点个数改变，都需要重新建模，计算效率较低。提出了节点递推更新快速留一交叉验证半督极限学习机(Recursive FSELM,RFSELM)方法，它能根据节点递增和递减模型的均方根误差，自动选择恰当的节点个数，在减小计算量的同时，提高了模型的预测可靠性。以填料塔液泛气速和重油催化裂化汽油收率在线预测为例，验证了该方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 化工过程软测量建模研究现状

1.3 半监督极限学习机研究现状

1.4 本文研究内容

第2章 用于化工过程软测量建模的SELM方法

2.1 半监督极限学习机(SELM)建模方法

2.2 基于SELM的软测量建模仿真

2.3 本章小结

第3章 快速留一交叉验证SELM方法及其应用

3.1 FSELM方法

3.2 FSELM的预测精度及其可靠性仿真

3.3 FSELM计算效率仿真

3.4 基于FSELM的TE过程成分变量预测模型

3.5 本章小结

第4章 节点递推更新FSELM方法

4.1 节点递增递推FSELM方法

4.2 节点递减递推FSELM方法

4.3 RFSELM方法

4.4 RFSELM建模仿真

4.5 RFSELM计算效率及可靠性测试

4.6 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

缩略语列表

符号说明

参考文献

致谢

攻读学位期间参加的科研项目和成果