專利名稱：一種基于知識(shí)融合的在線軟測(cè)量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種在線測(cè)量方法，特別是關(guān)于一種基于知識(shí)融合的在線軟測(cè)量方 法。
背景技術(shù)：
由于測(cè)量技術(shù)的局限性，過程控制系統(tǒng)中的一些重要變量是無法或很難進(jìn)行在線 測(cè)量的。這些變量作為系統(tǒng)狀態(tài)的關(guān)鍵指標(biāo)，往往只能通過實(shí)驗(yàn)室的離線樣本分析，或者是 使用昂貴的在線分析儀獲得。進(jìn)行實(shí)驗(yàn)室測(cè)量所產(chǎn)生的明顯延遲(經(jīng)常是數(shù)個(gè)小時(shí))，將導(dǎo) 致這些測(cè)量信號(hào)不能作為控制系統(tǒng)的反饋信號(hào)，加入到整個(gè)控制過程中，這對(duì)控制系統(tǒng)的 性能和生產(chǎn)過程的安全性都會(huì)產(chǎn)生嚴(yán)重的影響。近年來，研究者們開始利用生產(chǎn)過程中所測(cè)量到的大量數(shù)據(jù)建立預(yù)測(cè)模型，以實(shí) 現(xiàn)對(duì)未知難測(cè)變量的預(yù)測(cè)。這些模型被稱為軟傳感器，軟測(cè)量的概念也由此被提出。其基 本思想是通過測(cè)量與主要難測(cè)變量相關(guān)的，易于測(cè)量的次要變量(易測(cè)變量)來估計(jì)主要 難測(cè)變量的輸出。軟測(cè)量建模的基本步驟主要包括初始階段、建模階段以及應(yīng)用階段。其 中，在應(yīng)用階段，由于過程設(shè)備實(shí)際上處于動(dòng)態(tài)的系統(tǒng)環(huán)境下，因而系統(tǒng)在運(yùn)行過程中常會(huì) 產(chǎn)生緩慢的變化或者是受外界干擾產(chǎn)生突然的擾動(dòng)，導(dǎo)致原有模型的預(yù)測(cè)效果無法得到持 續(xù)的保持。舉例來講，機(jī)器磨損，測(cè)量?jī)x器偏差以及環(huán)境變化等外部原因都可能導(dǎo)致系統(tǒng)特 性的變化，即產(chǎn)生數(shù)據(jù)漂移現(xiàn)象，造成軟測(cè)量模型的預(yù)測(cè)誤差不斷增大。針對(duì)上述情況，我們需要在軟測(cè)量的應(yīng)用階段對(duì)預(yù)測(cè)模型進(jìn)行實(shí)時(shí)的維護(hù)。而在 建模過程中被廣泛使用的機(jī)器學(xué)習(xí)方法是無法直接用于模型維護(hù)過程中的，這些機(jī)器學(xué)習(xí) 算法一般無法進(jìn)行主動(dòng)的更新，因而只能人為的定期讀取新數(shù)據(jù)，再使用所有已采集到的 數(shù)據(jù)進(jìn)行模型維護(hù)。顯然，這種方法費(fèi)時(shí)費(fèi)力。因而，一種更為有效的模型維護(hù)方法是引入 在線學(xué)習(xí)算法，在生產(chǎn)過程中不斷借鑒最新產(chǎn)生的數(shù)據(jù)對(duì)模型進(jìn)行更新和調(diào)整，使得模型 與真實(shí)系統(tǒng)在一定程度上保持一致，以解決這一現(xiàn)實(shí)生產(chǎn)中經(jīng)常出現(xiàn)的問題。能夠用于處理軟測(cè)量問題的常用在線學(xué)習(xí)方法包括基于SVM分塊算法的增量算 法、經(jīng)驗(yàn)風(fēng)險(xiǎn)梯度下降的在線算法、最小二乘支持向量機(jī)的在線算法以及增量和減量支持 向量機(jī)算法等。然而，這些現(xiàn)有的方法大多易于陷入一種兩難選擇之中，即或者是保留所有 的支持向量，但同時(shí)隨著數(shù)據(jù)量的增加，算法的泛化性能和計(jì)算效率不斷降低；或者是在模 型維護(hù)過程中不斷丟棄樣本，以降低模型復(fù)雜度，但同時(shí)也造成算法與實(shí)際模型的一致性 丟失。這種兩難選擇是目前絕大多數(shù)在線學(xué)習(xí)方法所無法避免的瓶頸問題，也造成了在長(zhǎng) 期預(yù)測(cè)和維護(hù)過程中，大多數(shù)在線學(xué)習(xí)方法的預(yù)測(cè)精度較差，或者訓(xùn)練時(shí)間過長(zhǎng)。
發(fā)明內(nèi)容
針對(duì)上述問題，本發(fā)明的目的是提供一種能夠融合已有的先驗(yàn)知識(shí)，不完全依賴 于樣本，可靠性高，并能夠根據(jù)實(shí)際樣本信息進(jìn)行模型實(shí)時(shí)更新的在線軟測(cè)量方法。為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案一種基于知識(shí)融合的在線軟測(cè)量方法，其包括以下步驟1)設(shè)置一包括數(shù)據(jù)采集設(shè)備、監(jiān)控計(jì)算機(jī)以及控制器的測(cè)量系統(tǒng)，所 述監(jiān)控計(jì)算機(jī)內(nèi)預(yù)設(shè)置有一先驗(yàn)知識(shí)計(jì)算模塊、一軟測(cè)量模型預(yù)測(cè)模塊、一判定模塊和一 在線學(xué)習(xí)模型維護(hù)模塊；2)將經(jīng)驗(yàn)公式y(tǒng) = p(X)中的p(X)表示成一種核函數(shù)的線性組合 形式q(x) 其中，K(Si，x)為指定的核函數(shù)；Si e Sd, (i = 1，..，d)為基向量，Sd為基向量集； 為一待定參數(shù)；3)將式⑴輸入先驗(yàn)知識(shí)計(jì)算模塊，迭代計(jì)算式⑴中的參數(shù)Si，d，βρ
然后輸送給軟測(cè)量模型預(yù)測(cè)模塊；4)在軟測(cè)量模型預(yù)測(cè)模塊中，設(shè)初始時(shí)刻t = 0，每采 集到一個(gè)新樣本的相關(guān)易測(cè)變量測(cè)量值則令t = t+1 ；初始時(shí)刻，直接使用步驟3)輸入的 結(jié)果q(x)作為初始預(yù)測(cè)模型fQ(x) 初始預(yù)測(cè)模型fjx)根據(jù)數(shù)據(jù)采集設(shè)備采集到的相關(guān)易測(cè)變量測(cè)量值，對(duì)難測(cè)關(guān) 鍵變量值進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果輸送給控制器；其中，二/ ,，Si e sd，(i = 1，..，d)； 5)數(shù)據(jù)采集設(shè)備將t時(shí)刻采集到的新樣本相關(guān)易測(cè)變量測(cè)量值Xt輸入軟測(cè)量模型預(yù)測(cè)模 塊，軟測(cè)量模型預(yù)測(cè)模塊根據(jù)當(dāng)前的預(yù)測(cè)模型fViOO進(jìn)行新樣本函數(shù)值的在線預(yù)測(cè)，并將 得到的軟測(cè)量預(yù)測(cè)結(jié)果Uxt)輸送給控制器和判定模塊；6)判定模塊保存t時(shí)刻得到的 預(yù)測(cè)函數(shù)值fVi (xt)，直到數(shù)據(jù)采集設(shè)備采集到t時(shí)刻樣本的難測(cè)關(guān)鍵變量測(cè)量值yt，并將 yt輸入判定模塊；判定模塊根據(jù)實(shí)際的難測(cè)變量值yt，判斷預(yù)測(cè)函數(shù)值f^OO的準(zhǔn)確性； 如果預(yù)測(cè)誤差的絕對(duì)值沒有超出不敏感誤差帶ε，即|et| = Yt-^1(Xt) I彡ε，則認(rèn)為當(dāng) 前模型的預(yù)測(cè)效果較好，不需進(jìn)行模型更新，令ft(x) ZfV1(X),返回步驟5)；反之，Iet =
yt-ft-i(xt) I > ε，則將樣本(xt，yt)輸送到在線學(xué)習(xí)模型維護(hù)模塊，繼續(xù)進(jìn)行下-步；7) 在線學(xué)習(xí)模型維護(hù)模塊利用步驟6)中得到的新樣本(xt，yt)，對(duì)現(xiàn)有預(yù)測(cè)模型f^OO進(jìn)行 維護(hù)更新，并將更新后的預(yù)測(cè)模型ft (χ) 輸送到軟測(cè)量模型預(yù)測(cè)模塊中，替換原有軟測(cè)量模型，返回步驟5)。所述步驟7)中，更新后的預(yù)測(cè)模型，即公式(3)中，為待定參數(shù)，求取
的具體步驟如下①針對(duì)序貫到達(dá)的數(shù)據(jù)流(Xi，yi)ieN，指定不敏感誤差帶ε，學(xué)習(xí) 速率n，平衡系數(shù)λ，控制函數(shù)復(fù)雜度的正則化系數(shù)γ ；②記初始化時(shí)刻的預(yù)測(cè)假設(shè)
f0(x)=扒x) = fAK(s'’x)，其中《 — Λ Si e Sd,即直接采用先驗(yàn)知識(shí)計(jì)算 /=11=1aI = Pi ‘
模塊的輸出結(jié)果作為初始預(yù)測(cè)模型；計(jì)算基向量的dXd維核函數(shù)矩陣Kd，Kd的第(i，j)個(gè)
元素為K(si，sp ；③讀取新樣本(xt，yt)，根據(jù)當(dāng)前的預(yù)測(cè)模型表達(dá)式L(X)計(jì)算得到新樣
本的預(yù)測(cè)函數(shù)值UU = ^>,('^^4)，以及預(yù)測(cè)誤差值et = ^fV1 (xt)；④構(gòu)造出d維
=\
向量 Kt = [k(Sl，xt)，. . .，k(sd, xt) ]τ，求解優(yōu)化問題
5 其中，⑴為基向量&所對(duì)應(yīng)的核函數(shù)系數(shù)的單位增量；該最小值問題的求解目的 是求取當(dāng)基向量所對(duì)應(yīng)核函數(shù)的線性組合與最新樣本點(diǎn)處核函數(shù)的距離最為接近時(shí)，即 二者的2-范數(shù)距離近似值δ ω最小時(shí)，基向量所對(duì)應(yīng)核函數(shù)的系數(shù)增量θ (t)；計(jì)算可得基 向量所對(duì)應(yīng)核函數(shù)系數(shù)的單位增量向量θ(t) = (Kd+Y IdF1Kt,其中，Id為d維單位矩陣；⑤ 更新基向量所對(duì)應(yīng)核函數(shù)的系數(shù)，令a,w =(H)C +雙α”+諷，i = 1，...，d ；⑥得
到t時(shí)刻的預(yù)測(cè)函數(shù)為/(χ)= 々，將模型更新結(jié)果輸出到軟測(cè)量模型預(yù)測(cè)模塊，
j=l
計(jì)算流程轉(zhuǎn)到軟測(cè)量模型預(yù)測(cè)模塊，繼續(xù)等待新樣本的到達(dá)。所述步驟3)中，在先驗(yàn)知識(shí)計(jì)算模塊中，待定參數(shù)d和Pi，以及基向量Si的具體 求解步驟如下①使用直觀經(jīng)驗(yàn)或者循環(huán)尋優(yōu)的方式，根據(jù)經(jīng)驗(yàn)公式P(X)的情況，確定核 函數(shù)K(Si，X)的類型及參數(shù)，指定正則化系數(shù)μ，收斂閾值Sf ；②令迭代步數(shù)k = 0，記此時(shí) 的表達(dá)函數(shù)q(x)為q。(x) =0，則誤差函數(shù)為:r0(x) = ρ (χ)-q0 (χ)；③求出k+1次迭代的基
向量呂時(shí)，使誤差函數(shù)卜““^爪^^⑷丨，如果|rk(sk+1)| < ef，則d = k，q(x) = qk(x),
基向量Si的取值集合為Sk，戊=/f),i = 1，…，k，終止迭代；④令Sk+1 = SkU {sk+1}，則構(gòu) 造出一個(gè)(k+1) X (k+Ι)維矩陣Kk+1，Kk+1的第(i，j)個(gè)元素為K(Si，Sj)，進(jìn)而構(gòu)造出(k+1)
維向量 P(S(k+1)) = [ρ (S1),…，p(Sk+1)]T; 計(jì)算向量矩陣 = (Kk+1+μ Ik+1)-1P(S^)j
k+1
其中Ik+1為(k+1)維單位矩陣，令知⑷=火(、x)，其中#叫為向量矩陣β (k+1)的
/=1Pi
第i個(gè)元素；⑥令rk+1 (χ) = ρ (χ) -qk+1 (χ)，k = k+1，返回步驟③。本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)1、本發(fā)明由于將工業(yè)中已有的 經(jīng)驗(yàn)公式作為先驗(yàn)知識(shí)融入到軟測(cè)量模型預(yù)測(cè)模塊中，使得本發(fā)明并不完全依賴于訓(xùn)練樣 本，因此，與一般的在線學(xué)習(xí)方法相比具有更高的預(yù)測(cè)精度，是一種適用范圍廣，可靠性高 的軟測(cè)量模型維護(hù)方法。2、本發(fā)明由于設(shè)置有判定模塊，判定模塊可以將實(shí)際的難測(cè)變量 值與預(yù)測(cè)函數(shù)值進(jìn)行比較，以判斷預(yù)測(cè)模型的準(zhǔn)確性，如果預(yù)測(cè)誤差超出了不敏感誤差帶， 則將新樣本輸送到在線學(xué)習(xí)模型維護(hù)模塊，通過在線學(xué)習(xí)模型維護(hù)模塊不斷更新預(yù)測(cè)模 型，以得到更準(zhǔn)確的預(yù)測(cè)效果，因此，本發(fā)明可以對(duì)預(yù)測(cè)模型進(jìn)行主動(dòng)更新和維護(hù)，具有很 強(qiáng)的自適應(yīng)性。3、本發(fā)明的在線學(xué)習(xí)模型維護(hù)模塊，不斷將新的預(yù)測(cè)模型反饋到軟測(cè)量模 型預(yù)測(cè)模塊中，軟測(cè)量模型預(yù)測(cè)模塊可以根據(jù)數(shù)據(jù)采集設(shè)備實(shí)時(shí)采集到的相關(guān)易測(cè)變量測(cè) 量值，在線預(yù)測(cè)關(guān)鍵難測(cè)變量測(cè)量值，并將難測(cè)變量輸送給控制器，使其作為控制系統(tǒng)的反 饋信號(hào)，加入到整個(gè)控制過程中，提高控制系統(tǒng)的性能和生產(chǎn)過程的安全性。4、本發(fā)明充分 利用了先驗(yàn)知識(shí)中所包含的結(jié)構(gòu)特征，能夠令預(yù)測(cè)模型在長(zhǎng)期的模型維護(hù)過程中始終保持 較強(qiáng)的泛化能力，也保證了本發(fā)明的預(yù)測(cè)精度和訓(xùn)練速度都高于一般的在線學(xué)習(xí)方法。本 發(fā)明構(gòu)思巧妙，精確實(shí)用，可廣泛用于實(shí)際測(cè)量過程中。
圖1是本發(fā)明結(jié)構(gòu)示意圖
圖2是本發(fā)明模塊結(jié)構(gòu)示意3是本發(fā)明中仿真例的仿真數(shù)據(jù)示意4是本發(fā)明用于仿真例的測(cè)量結(jié)果示意圖
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。本發(fā)明基于以下思想通過將工業(yè)現(xiàn)場(chǎng)中已有的經(jīng)驗(yàn)公式作為先驗(yàn)知識(shí)引入到預(yù) 測(cè)模型中，一方面利用在線學(xué)習(xí)方法對(duì)預(yù)測(cè)模型進(jìn)行自適應(yīng)的更新完善，另一方面，利用先 驗(yàn)知識(shí)所包含的核心信息保證預(yù)測(cè)模型在長(zhǎng)期的模型維護(hù)過程中保持較強(qiáng)的泛化能力和 預(yù)測(cè)精度。本發(fā)明在對(duì)難測(cè)關(guān)鍵變量進(jìn)行在線軟測(cè)量預(yù)測(cè)的同時(shí)，實(shí)現(xiàn)了根據(jù)實(shí)時(shí)數(shù)據(jù)對(duì) 預(yù)測(cè)模型進(jìn)行自適應(yīng)更新的功能。本發(fā)明包括以下步驟1)如圖1、圖2所示，根據(jù)工業(yè)現(xiàn)場(chǎng)實(shí)際情況，設(shè)置一包括數(shù)據(jù)采集設(shè)備1、監(jiān)控計(jì) 算機(jī)2以及控制器3的測(cè)量系統(tǒng)，監(jiān)控計(jì)算機(jī)2內(nèi)預(yù)設(shè)置有一先驗(yàn)知識(shí)計(jì)算模塊21、一軟測(cè) 量模型預(yù)測(cè)模塊22、一判定模塊23和一在線學(xué)習(xí)模型維護(hù)模塊24。2)根據(jù)具體應(yīng)用環(huán)境，選擇確定性的經(jīng)驗(yàn)公式y(tǒng) = ρ (χ)，將經(jīng)驗(yàn)公式ρ (χ)表示成
一種核函數(shù)的線性組合形式q(x)，其具體形式為 其中，K(Si，x)為指定的核函數(shù)；Si e Sd, (i = 1，..，d)為基向量(也可以稱為支 持向量)，Sd為基向量集；β i為一待定參數(shù)。3)將式(1)作為先驗(yàn)知識(shí)表達(dá)式，輸入到先驗(yàn)知識(shí)計(jì)算模塊21中，通過先驗(yàn)知識(shí) 計(jì)算模塊21，迭代計(jì)算式(1)中的參數(shù)Si，d，β i，從而確定式(1)的具體表達(dá)式，并將式(1) 作為待融合的先驗(yàn)知識(shí)、初始預(yù)測(cè)模型，輸送給軟測(cè)量模型預(yù)測(cè)模塊22。4)假設(shè)初始時(shí)刻t = 0，數(shù)據(jù)采集設(shè)備1每采集到一個(gè)新樣本的相關(guān)易測(cè)變量測(cè) 量值，則令t = t+Ι。在軟測(cè)量模型預(yù)測(cè)模塊22中，初始時(shí)刻，直接使用先驗(yàn)知識(shí)計(jì)算模塊 21的輸出結(jié)果q(x)作為初始預(yù)測(cè)模型f0(x)，即 其中，α,(0)= A，Si e Sd，(i = 1，· ·，d)。采用初始預(yù)測(cè)模型&(χ)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果輸送給控制器3。ft(x)定義為 利用t時(shí)刻完整樣本(xt，yt)進(jìn)行模型更新后的難測(cè)關(guān)鍵變量預(yù)測(cè)模型。5)數(shù)據(jù)采集設(shè)備1不斷將新采集到的t時(shí)刻樣本的相關(guān)易測(cè)變量測(cè)量值xt，輸送 到軟測(cè)量模型預(yù)測(cè)模塊22中，軟測(cè)量模型預(yù)測(cè)模塊22直接根據(jù)當(dāng)前的預(yù)測(cè)模型f^OO進(jìn) 行新樣本函數(shù)值的在線預(yù)測(cè)，并將得到的軟測(cè)量預(yù)測(cè)結(jié)果(xt)輸送給控制器3。同時(shí)， 軟測(cè)量模型預(yù)測(cè)模塊22也將該時(shí)刻根據(jù)樣本的相關(guān)易測(cè)變量測(cè)量值Xt得到的預(yù)測(cè)函數(shù)值 ft-i (Xt)，輸送到判定模塊23中。6)判定模塊23保存t時(shí)刻得到的預(yù)測(cè)函數(shù)值。(xt)，直到數(shù)據(jù)采集設(shè)備1采集 到t時(shí)刻樣本的難測(cè)關(guān)鍵變量測(cè)量值yt，并將yt輸送到判定模塊23中。(為了便于說明，
7本發(fā)明僅針對(duì)當(dāng)前樣本難測(cè)變量值yt的采集速度總是快于下一個(gè)樣本易測(cè)變量值的到達(dá) 速度的情況進(jìn)行具體流程說明。對(duì)于不符合上述假設(shè)的情況，判定模塊23將以隊(duì)列形式儲(chǔ) 存樣本的相關(guān)易測(cè)變量測(cè)量值，等待相應(yīng)的難測(cè)關(guān)鍵變量測(cè)量值到達(dá)后，才可啟動(dòng)針對(duì)該 樣本的判定更新環(huán)節(jié)。在判定模塊23的等待期間，軟測(cè)量模型預(yù)測(cè)模塊22中的預(yù)測(cè)模型 保持不變。)判定模塊23根據(jù)實(shí)際的難測(cè)變量值yt，判斷預(yù)測(cè)函數(shù)值。(xt)的準(zhǔn)確性。如果 預(yù)測(cè)誤差超出了不敏感誤差帶ε，即估計(jì)誤差的絕對(duì)值|et| = Yt-^1(Xt) I > ε，則將該 樣本引入在線學(xué)習(xí)算法對(duì)預(yù)測(cè)模型進(jìn)行更新，將樣本(xt，yt)輸送到在線學(xué)習(xí)模型維護(hù)模 塊24，進(jìn)行步驟7)；否則，可以認(rèn)為當(dāng)前模型的預(yù)測(cè)效果較好，不需進(jìn)行模型更新，令ft (x) =。(x)， 返回步驟5)，計(jì)算流程轉(zhuǎn)到軟測(cè)量模型預(yù)測(cè)模塊22中，繼續(xù)進(jìn)行難測(cè)變量的在線預(yù)測(cè)，將 預(yù)測(cè)函數(shù)值不斷輸送給控制器3，并等待新樣本的到達(dá)。7)在線學(xué)習(xí)模型維護(hù)模塊24利用步驟6)中得到的新樣本(xt，yt)，對(duì)現(xiàn)有預(yù)測(cè)模 型ft— (χ)進(jìn)行維護(hù)更新，并將更新后的預(yù)測(cè)模型
(3) 輸送到軟測(cè)量模型預(yù)測(cè)模塊22中，替換原有軟測(cè)量模型，返回步驟5)。之后，隨著在線學(xué)習(xí)模型維護(hù)模塊24不斷將新的預(yù)測(cè)模型反饋到軟測(cè)量模型預(yù) 測(cè)模塊22，軟測(cè)量模型預(yù)測(cè)模塊22所依據(jù)的軟測(cè)量模型也將不斷更新，以得到更準(zhǔn)確的預(yù) 測(cè)效果。更新后的預(yù)測(cè)模型，即公式(3)中，為待定參數(shù)；參數(shù)d和基向量Si由步驟2) 中的先驗(yàn)知識(shí)計(jì)算模型21確定。求取《,(')的具體步驟如下①針對(duì)序貫到達(dá)的數(shù)據(jù)流(Xi，yi)ieN，指定不敏感誤差帶ε，學(xué)習(xí)速率η，平衡系 數(shù)λ，正則化系數(shù)Υ ；②記初始化時(shí)刻的預(yù)測(cè)假設(shè)
其中
α;0)= β, ,Si e Sd，即直接采用先驗(yàn)知識(shí)計(jì)算模塊21的輸出結(jié)果作為初始預(yù)測(cè)模型。計(jì)算基 向量的dXd維核函數(shù)矩陣Kd，Kd的第(i，j)個(gè)元素為K(Si，Sj)；③讀取新樣本(xt，yt)，根據(jù)當(dāng)前的預(yù)測(cè)模型表達(dá)式fViOO計(jì)算得到新樣本的預(yù)
測(cè)函數(shù)
以及預(yù)測(cè)誤差值et = Yt-^1(Xt)。
④構(gòu)造出d維向量Kt = [k(Sl，xt)，· · ·，k(sd, xt) ]τ，求解優(yōu)化問題
(4)其中，為基向量Si所對(duì)應(yīng)的核函數(shù)系數(shù)的單位增量。該最小值問題的求解目 的是求取當(dāng)基向量所對(duì)應(yīng)核函數(shù)的線性組合與最新樣本點(diǎn)處核函數(shù)的距離最為接近時(shí)， 即二者的2-范數(shù)距離近似值δω最小時(shí)，基向量所對(duì)應(yīng)核函數(shù)的系數(shù)增量θ( )。
計(jì)算可得基向量所對(duì)應(yīng)核函數(shù)系數(shù)的單位增量向量θ (t) = (Kd+Y IdF1Kt,其中，Id 為d維單位矩陣，Y為控制函數(shù)復(fù)雜度的正則化系數(shù)。⑤更新基向量所對(duì)應(yīng)核函數(shù)的系數(shù)，令<=(1-々《+雙《”+；7明，i =
1，...，d;其中，設(shè)定學(xué)習(xí)速率η，可以控制預(yù)測(cè)模型的更新速度，防止樣本中的尖銳噪聲 令模型產(chǎn)生較大偏差。同時(shí)，為了充分利用經(jīng)驗(yàn)公式所包含的高頻核心信息，防止預(yù)測(cè)模型 受誤差影響導(dǎo)致的模型偏離，又設(shè)定了平衡系數(shù)λ，以均衡經(jīng)驗(yàn)公式與在線預(yù)測(cè)模型的結(jié)果。⑥得到t時(shí)刻的預(yù)測(cè)函數(shù)為
將模型更新結(jié)果輸出到軟測(cè)量
模型預(yù)測(cè)模塊22，計(jì)算流程轉(zhuǎn)到軟測(cè)量模型預(yù)測(cè)模塊22，繼續(xù)等待新樣本的到達(dá)。上述步驟3)中，在先驗(yàn)知識(shí)計(jì)算模塊21中，待定參數(shù)d和Pi，以及基向量&的 具體求解步驟如下①使用直觀經(jīng)驗(yàn)或者循環(huán)尋優(yōu)的方式，根據(jù)經(jīng)驗(yàn)公式P(X)的情況，確定核函數(shù) K(Si，χ)的類型及參數(shù)，指定正則化系數(shù)μ，收斂閾值ε f ；②令迭代步數(shù)k = 0，記此時(shí)的表達(dá)函數(shù)q(x)為qQ(X) = 0，則誤差函數(shù)為rQ(X) =P (χ) -Q0 (X)；③求出k+Ι次迭代的基向量sk+1，使誤差函數(shù)^ (I1)I = Inph卜)|，如果|rk(sk+1) < ε f，則d = k，q(x) = qk(x)，基向量Si的取值集合為Sk，/ ,i = 1，…，k，終止迭 代；④令Sk+1 = Sk U {sk+1}，則構(gòu)造出一個(gè)(k+1) X (k+1)維矩陣 Kk+1，Kk+1 的第(i，j) 個(gè)元素為 K(Si，Sj)，進(jìn)而構(gòu)造出(k+1)維向量 p(S(k+1)) = [ρ (S1), -,p(sk+1)]T；⑤計(jì)算向量矩陣β (k+1) = (Kk+1+y Ik+^pG05+1))，其中Ik+1為(k+1)維單位矩陣， 令
其中Y叫為向量矩陣3 (k+1)的第土個(gè)元素； ⑥令rk+1 (χ) = ρ (χ) -qk+1 (χ) , k = k+1，返回步驟③。下面列舉一具體仿真例對(duì)本發(fā)明的應(yīng)用進(jìn)行詳細(xì)描述。本例中，以[1，12]區(qū)間上的sine函數(shù)(y = sin (χ)/χ)為系統(tǒng)性能的基本變化曲 線，在其基礎(chǔ)上添加標(biāo)準(zhǔn)差為0. 1的白噪聲，模擬實(shí)際問題中的噪聲，根據(jù)實(shí)際工業(yè)現(xiàn)場(chǎng)情 況，設(shè)計(jì)時(shí)間序列和隨機(jī)序列的混合序列(簡(jiǎn)稱混合序列)，產(chǎn)生仿真數(shù)據(jù)?；旌闲蛄械臄?shù)據(jù)產(chǎn)生情況，如圖3所示，在[1，12]區(qū)間上產(chǎn)生500個(gè)數(shù)據(jù)，根據(jù)產(chǎn) 生順序依次編號(hào)為1 500。樣本點(diǎn)的色系由藍(lán)到紅代表數(shù)據(jù)點(diǎn)序號(hào)從小到大的變化趨勢(shì)。 假設(shè)系統(tǒng)的工作點(diǎn)每隔100個(gè)時(shí)間單位(即每產(chǎn)生100個(gè)數(shù)據(jù)之后)發(fā)生一次等距的數(shù)據(jù) 漂移，漂移的方向?yàn)槭棺宰兞喀衷龃蟮姆较颉?shù)據(jù)點(diǎn)的分布服從以工作點(diǎn)為均值，標(biāo)準(zhǔn)差為 0.8的標(biāo)準(zhǔn)正態(tài)分布。圖3(a)中的因變量(待測(cè)值y)完全符合sine函數(shù)，圖3 (b)中的因 變量(待測(cè)值y)則在sine函數(shù)的基礎(chǔ)上添加了標(biāo)準(zhǔn)差為0. 1的白噪聲。兩圖中數(shù)據(jù)的易 測(cè)變量值χ —一對(duì)應(yīng)，完全相同。在實(shí)際仿真中，本文使用圖3 (b)中的有噪聲數(shù)據(jù)進(jìn)行在線學(xué)習(xí)，同時(shí)使用圖3 (a) 中的相對(duì)應(yīng)的無噪聲的數(shù)據(jù)進(jìn)行預(yù)測(cè)誤差計(jì)算，以得到更為真實(shí)的誤差估計(jì)結(jié)果。
使用以上人工數(shù)據(jù)對(duì)融合經(jīng)驗(yàn)公式的在線學(xué)習(xí)算法進(jìn)行仿真。仿真步驟及參數(shù)設(shè) 定情況如下(1)采用[1，12]區(qū)間的sine函數(shù)作為經(jīng)驗(yàn)公式，選擇高斯型核函數(shù)
K(t,x) = exV -ti，指定正則化系數(shù)μ =0.01，不敏感誤差帶ε =0.05，收斂閾值 V/
￡f = 0.05，學(xué)習(xí)速率η =0.5，平衡系數(shù)λ =0.7。(2)采用含噪聲的樣本序列進(jìn)行仿真，序貫加入樣本點(diǎn)進(jìn)行預(yù)測(cè)和模型更新，即每 得到一個(gè)新樣本，使用原有模型對(duì)其進(jìn)行預(yù)測(cè)，根據(jù)真實(shí)值計(jì)算預(yù)測(cè)偏差，再利用該樣本更 新預(yù)測(cè)模型，繼續(xù)重復(fù)這一過程，直到500個(gè)樣本點(diǎn)全部預(yù)測(cè)完畢。(3)對(duì)誤差進(jìn)行分析和比較，在時(shí)間序列、隨機(jī)序列、混合序列三種情況下的仿真 結(jié)果，如圖4所示。比較常用的在線學(xué)習(xí)方法與利用本發(fā)明進(jìn)行測(cè)量的預(yù)測(cè)情況，各種方法的預(yù)測(cè)均 方根誤差值，如下表所示五種在線學(xué)習(xí)方法的誤差比較 - 可見，采用本發(fā)明進(jìn)行在線軟測(cè)量預(yù)測(cè)，其測(cè)量精度與先驗(yàn)常用方法相比將有很 大提高。上述各實(shí)施例僅用于說明本發(fā)明，其中各部件的結(jié)構(gòu)、連接方式等都是可以有所 變化的，凡是在本發(fā)明技術(shù)方案的基礎(chǔ)上進(jìn)行的等同變換和改進(jìn)，均不應(yīng)排除在本發(fā)明的 保護(hù)范圍之外。
權(quán)利要求
一種基于知識(shí)融合的在線軟測(cè)量方法，其包括以下步驟1)設(shè)置一包括數(shù)據(jù)采集設(shè)備、監(jiān)控計(jì)算機(jī)以及控制器的測(cè)量系統(tǒng)，所述監(jiān)控計(jì)算機(jī)內(nèi)預(yù)設(shè)置有一先驗(yàn)知識(shí)計(jì)算模塊、一軟測(cè)量模型預(yù)測(cè)模塊、一判定模塊和一在線學(xué)習(xí)模型維護(hù)模塊；2)將經(jīng)驗(yàn)公式y(tǒng)＝p(x)中的p(x)表示成一種核函數(shù)的線性組合形式q(x) <mrow><mi>p</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>≈</mo><mi>q</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>d</mi></munderover><msub> <mi>β</mi> <mi>i</mi></msub><mi>K</mi><mrow> <mo>(</mo> <msub><mi>s</mi><mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>其中，K(si，x)為指定的核函數(shù)；si∈Sd，(i＝1，..，d)為基向量，Sd為基向量集；βi為一待定參數(shù)；3)將式(1)輸入先驗(yàn)知識(shí)計(jì)算模塊，迭代計(jì)算式(1)中的參數(shù)si，d，βi，然后輸送給軟測(cè)量模型預(yù)測(cè)模塊；4)在軟測(cè)量模型預(yù)測(cè)模塊中，設(shè)初始時(shí)刻t＝0，每采集到一個(gè)新樣本的相關(guān)易測(cè)變量測(cè)量值則令t＝t+1；初始時(shí)刻，直接使用步驟3)輸入的結(jié)果q(x)作為初始預(yù)測(cè)模型f0(x) <mrow><msub> <mi>f</mi> <mn>0</mn></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>d</mi></munderover><msubsup> <mi>a</mi> <mi>i</mi> <mrow><mo>(</mo><mn>0</mn><mo>)</mo> </mrow></msubsup><mi>K</mi><mrow> <mo>(</mo> <msub><mi>s</mi><mi>i</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><mi>q</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>d</mi></munderover><msub> <mi>β</mi> <mi>i</mi></msub><mi>K</mi><mrow> <mo>(</mo> <msub><mi>s</mi><mi>i</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>初始預(yù)測(cè)模型f0(x)根據(jù)數(shù)據(jù)采集設(shè)備采集到的相關(guān)易測(cè)變量測(cè)量值，對(duì)難測(cè)關(guān)鍵變量值進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果輸送給控制器；其中，si∈Sd，(i＝1，..，d)；5)數(shù)據(jù)采集設(shè)備將t時(shí)刻采集到的新樣本相關(guān)易測(cè)變量測(cè)量值xt輸入軟測(cè)量模型預(yù)測(cè)模塊，軟測(cè)量模型預(yù)測(cè)模塊根據(jù)當(dāng)前的預(yù)測(cè)模型ft 1(x)進(jìn)行新樣本函數(shù)值的在線預(yù)測(cè)，并將得到的軟測(cè)量預(yù)測(cè)結(jié)果ft 1(xt)輸送給控制器和判定模塊；6)判定模塊保存t時(shí)刻得到的預(yù)測(cè)函數(shù)值ft 1(xt)，直到數(shù)據(jù)采集設(shè)備采集到t時(shí)刻樣本的難測(cè)關(guān)鍵變量測(cè)量值yt，并將yt輸入判定模塊；判定模塊根據(jù)實(shí)際的難測(cè)變量值yt，判斷預(yù)測(cè)函數(shù)值ft 1(xt)的準(zhǔn)確性；如果預(yù)測(cè)誤差的絕對(duì)值沒有超出不敏感誤差帶ε，即|et|＝|yt ft 1(xt)|≤ε，則認(rèn)為當(dāng)前模型的預(yù)測(cè)效果較好，不需進(jìn)行模型更新，令ft(x)＝ft 1(x)，返回步驟5)；反之，|et|＝|yt ft 1(xt)|＞ε，則將樣本(xt，yt)輸送到在線學(xué)習(xí)模型維護(hù)模塊，繼續(xù)進(jìn)行下一步；7)在線學(xué)習(xí)模型維護(hù)模塊利用步驟6)中得到的新樣本(xt，yt)，對(duì)現(xiàn)有預(yù)測(cè)模型ft 1(x)進(jìn)行維護(hù)更新，并將更新后的預(yù)測(cè)模型ft(x) <mrow><msub> <mi>f</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>d</mi></munderover><msubsup> <mi>a</mi> <mi>i</mi> <mrow><mo>(</mo><mi>t</mi><mo>)</mo> </mrow></msubsup><mi>K</mi><mrow> <mo>(</mo> <msub><mi>s</mi><mi>i</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>輸送到軟測(cè)量模型預(yù)測(cè)模塊中，替換原有軟測(cè)量模型，返回步驟5)。FSA00000244230800013.tif
2.如權(quán)利要求1所述的一種基于知識(shí)融合的在線軟測(cè)量方法，其特征在于所述步驟 7)中，更新后的預(yù)測(cè)模型，即公式(3)中，為待定參數(shù)，求取的具體步驟如下①針對(duì)序貫到達(dá)的數(shù)據(jù)流U”Yi) ，指定不敏感誤差帶ε，學(xué)習(xí)速率η，平衡系數(shù) λ，控制函數(shù)復(fù)雜度的正則化系數(shù)Y ；②記初始化時(shí)刻的預(yù)測(cè)假設(shè)義㈨；！^^^，力巧⑷^玄/^⑷^，其中(ω_ η Si e Sd,即直接采用先驗(yàn)知識(shí)計(jì)算模塊的輸出結(jié)果作為初始預(yù)測(cè)模型；計(jì)算基向量的dXd 維核函數(shù)矩陣Kd，Kd的第(i，j)個(gè)元素為K(Si，Sj)；③讀取新樣本(xt，yt)，根據(jù)當(dāng)前的預(yù)測(cè)模型表達(dá)式L1(X)計(jì)算得到新樣本的預(yù)測(cè)函數(shù)值乂―丨( )= yZaf^Kisi,xt)，以及預(yù)測(cè)誤差值et = (xt)； /=1④構(gòu)造出d維向量Kt= [k(Sl，xt)，. . .，k(sd, xt) ]τ,求解優(yōu)化問題 其中，化⑴為基向量Si所對(duì)應(yīng)的核函數(shù)系數(shù)的單位增量；該最小值問題的求解目的是 求取當(dāng)基向量所對(duì)應(yīng)核函數(shù)的線性組合與最新樣本點(diǎn)處核函數(shù)的距離最為接近時(shí)，即二者 的2-范數(shù)距離近似值δ (t)最小時(shí)，基向量所對(duì)應(yīng)核函數(shù)的系數(shù)增量θ (t)；計(jì)算可得基向量所對(duì)應(yīng)核函數(shù)系數(shù)的單位增量向量θω= (Kd+YIdF1Kt,其中，IdSd 維單位矩陣；⑤更新基向量所對(duì)應(yīng)核函數(shù)的系數(shù)，令W)=(1-幻彳)+雙一“1)+諷爐)，i = 1，...，d；⑥得到t時(shí)刻的預(yù)測(cè)函數(shù)為夂，將模型更新結(jié)果輸出到軟測(cè)量模型 預(yù)測(cè)模塊，計(jì)算流程轉(zhuǎn)到軟測(cè)量模型預(yù)測(cè)模塊，繼續(xù)等待新樣本的到達(dá)。
3.如權(quán)利要求1或2所述的一種基于知識(shí)融合的在線軟測(cè)量方法，其特征在于所述 步驟3)中，在先驗(yàn)知識(shí)計(jì)算模塊中，待定參數(shù)(！和I，以及基向量Si的具體求解步驟如下①使用直觀經(jīng)驗(yàn)或者循環(huán)尋優(yōu)的方式，根據(jù)經(jīng)驗(yàn)公式P(x)的情況，確定核函數(shù)K (Si, χ) 的類型及參數(shù)，指定正則化系數(shù)μ，收斂閾值ε f ；②令迭代步數(shù)k= 0，記此時(shí)的表達(dá)函數(shù)q(x)為Citl(X) =0，則誤差函數(shù)為Γ(1(Χ)= ρ (χ)-q0 (χ)；③求出k+Ι次迭代的基向量sk+1，使誤差函數(shù)M =⑷I，如果|rk(Sk+l) < ￡”則(1 = 1^，900=91;00，基向量&的取值集合為51;，/ ,=/^),1 = 1，."，k，終止迭 代；④令Sk+1= Sk U {sk+1}，則構(gòu)造出一個(gè)(k+1) X (k+1)維矩陣Kk+1，Kk+1的第(i，j)個(gè)元 素為 K(Si，Sp，進(jìn)而構(gòu)造出(k+1)維向量 p(S(k+1)) = [ρ (S1), -,p(sk+1)]T；⑤計(jì)算向量矩陣β(k+1) = (Kk+1+μ Ik+1) ^(S0^)，其中1時(shí)為(k+1)維單位矩陣，令k+l，其中γω)為向量矩陣β (k+1)的第i個(gè)元素； /=/Λ⑥令rk+1(x) =p(X)-qk+1(X)，k = k+1，返回步驟③。
全文摘要
本發(fā)明涉及一種基于知識(shí)融合的在線軟測(cè)量方法，其包括以下步驟1)設(shè)置一測(cè)量系統(tǒng)；2)選定經(jīng)驗(yàn)公式作為先驗(yàn)知識(shí)表達(dá)式；3)將先驗(yàn)知識(shí)表達(dá)式輸入先驗(yàn)知識(shí)計(jì)算模塊，經(jīng)過處理后，作為初始預(yù)測(cè)模型輸入軟測(cè)量模型預(yù)測(cè)模塊；4)初始時(shí)刻，軟測(cè)量模型預(yù)測(cè)模塊直接使用初始預(yù)測(cè)模型對(duì)難測(cè)關(guān)鍵變量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果輸入控制器；5)軟測(cè)量模型預(yù)測(cè)模塊根據(jù)采集到的易測(cè)變量測(cè)量值預(yù)測(cè)難測(cè)關(guān)鍵變量值，并輸入控制器和判定模塊；6)判定模塊根據(jù)實(shí)際的難測(cè)變量值，判斷預(yù)測(cè)值的準(zhǔn)確性；如果預(yù)測(cè)誤差沒有超出不敏感誤差帶，返回步驟5)；否則進(jìn)行下一步；7)在線學(xué)習(xí)模型維護(hù)模塊利用上步得到的新樣本，對(duì)現(xiàn)有預(yù)測(cè)模型進(jìn)行維護(hù)更新，并替換軟測(cè)量模型預(yù)測(cè)模塊中的軟測(cè)量模型，返回步驟5)。
文檔編號(hào)G06N99/00GK101916394SQ201010263100
公開日2010年12月15日 申請(qǐng)日期2010年8月25日 優(yōu)先權(quán)日2010年8月25日
發(fā)明者侯冉冉, 徐文立, 王煥鋼 申請(qǐng)人:清華大學(xué)