复杂工业数据驱动的过程变量预测方法

目录

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