声明
摘要
图目录
表目录
主要符号表
1 绪论
1.1研究背景及意义
1.2基于数据的生产过程变量预测方法
1.2.1特征选择
1.2.2预测模型建模与参数优化
1.3概率型机器学习方法综述
1.3.1稀疏贝叶斯学习及相关向量机
1.3.2输入含不确定性的数据驱动建模
1.3.3非完备数据集建模
1.3.4嵌入式特征选择方法
1.4主要研究内容
2基于局部线性化变分推理的嵌入式特征选择
2.1 带有ARD核函数的RVM回归模型
2.2 RVM-ARDK模型的变分推理学习算法
2.2.1 核函数参数s的后验变分分布
2.2.2其他参数的后验变分分布
2.3 VRVM-ARDK模型训练算法和模型选择
2.4 VRVM-ARDK模型的预测分布
2.5 VRVM-ARDK分类模型
2.6仿真实验与分析
2.6.1人工数据集
2.6.2标准数据集
2.6.3磨矿过程溢流粒度数据集
2.7本章小节
3 考虑输入噪声的工业过程变量预测
3.1考虑输入噪声的RVM回归模型
3.2边缘似然函数的高斯近似
3.3权值向量后验概率的随机抽样近似
3.4预测分布
3.5仿真实验与分析
3.5.1人工数据集
3.5.2标准数据集
3.5.3高炉煤气柜柜位数据集
3.6本章小结
4针对不完整训练数据集的工业时间序列预测
4.1 针对不完整训练集的RVM模型
4.1.1模型表达
4.1.2基于EM算法的输出缺失值估计
4.1.3基于边缘似然函数优化的输出缺失值估计
4.2预测分布和模型选择
4.3两种算法对比和计算复杂度分析
4.4仿真实验与分析
4.4.1含噪声Rossler时间序列数据
4.4.2地铁交通数据集
4.4.3高炉煤气管网受入流量数据集
4.4.4焦炉消耗BFG流量数据集
4.4.5 RVM-ITS模型的计算效率对比
4.5本章小结
5针对不完整测试样本的工业时间序列区间预测
5.1基于RVM回归的高阶动态贝叶斯网络
5.2基于RVM的高阶动态贝叶斯网的学习
5.2.1网络参数的稀疏贝叶斯学习
5.2.2 DBN-RVM模型的结构学习
5.3测试样本含缺失点条件下的近似推理及预测区间构造
5.4 DBN-RVM模型的变分推理算法
5.4.1缺失节点的最优变分推理
5.4.2预测节点的推理
5.4.3求期望的计算细节
5.4.4计算复杂度分析
5.5仿真实验与分析
5.5.1含噪声的MackeyGlass时间序列数据集
5.5.2高炉煤气管网受入流量数据集
5.6本章小结
6结论与展望
6.1结论
6.2创新点摘要
6.3 展望
参考文献
附录
攻读博士学位期问科研项目及科研成果
致谢
作者简介
大连理工大学;