專利名稱：基于半監(jiān)督學習的軟測量方法
技術領域：
本發(fā)明涉及的是一種軟測量儀表技術領域的方法，具體是一種基于半監(jiān)督學習的軟測量方法。
背景技術：
軟儀表是指在工業(yè)過程測量中某些變量測量十分困難，而利用其他由直接物理傳感器實體得到的信息通過數(shù)學模型計算手段得到所需檢測信息的一種功能儀表。軟儀表技術對過程工業(yè)具有重要意義，在現(xiàn)代過程控制領域具有重要的地位。軟測量技術已經(jīng)是現(xiàn)代流程工業(yè)和過程控制領域非常關鍵和前沿的技術。目前存在的軟儀表和軟測量方法都是基于監(jiān)督學習方法為基礎和框架建立的。但是，這種技術只能利用有標記的工業(yè)數(shù)據(jù)和樣本來構造軟儀表，大量反映實際過程狀況的無標記數(shù)據(jù)和樣本無法得到利用，造成軟儀表的性能上存在穩(wěn)定性和抗干擾等等方面的問題。半監(jiān)督學習是研究如何利用未標記樣本獲得較好性能和推廣能力的一種學習機器。近些年來，隨著機器學習的不斷發(fā)展以及未標記數(shù)據(jù)的日漸增加，半監(jiān)督學習正逐漸成為一個研究熱點。在許多實際問題中，由于獲取人工標記樣本的費用高、效率低，往往得到的是大量的未標記樣本和少量的標記樣本，如果只利用少量的標記樣本，將不免造成大量未標記樣本的浪費和學習機器的性能不好等問題。半監(jiān)督學習方法就是解決這類問題的有效方法，它可以有效地利用未標記數(shù)據(jù)進行學習和建模，提高學習機器的性能。目前傳統(tǒng)的軟測量方法也存在無法利用未標記樣本的問題，只能用少量的標記進行建模，這使得模型的準確性和可靠性受到較大的影響。因此半監(jiān)督學習為工業(yè)過程的建模和提高模型的性能提供了新的思路。經(jīng)對現(xiàn)有技術的文獻檢索發(fā)現(xiàn)，Vikas Sindhwani等人在《In Proceedings of the International Joint Conference on Artificial Intelligence, 2007〉〉上發(fā)表的 "Semi-supervised gaussian process classifiers”(“半監(jiān)督高斯過程分類器”，《關于人工智能的國際聯(lián)合會議論文集》，2007: 1059-1064)—文中，詳細介紹了一種基于圖的半監(jiān)督高斯過程分類器，通過結合非參數(shù)的半監(jiān)督核向分類器提供未標記數(shù)據(jù)信息。然而，大量工業(yè)過程的建模問題并非分類問題，屬于回歸范疇，故用半監(jiān)督高斯過程分類器作為工業(yè)過程中的軟測量模型并不合適。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術存在的上述不足，提供一種基于半監(jiān)督學習的軟測量方法， 解決常規(guī)的軟儀表和軟測量方法中存在的不足和缺陷，通過將半監(jiān)督學習引入到在線過程回歸中，建立一種基于半監(jiān)督核的在線高斯過程回歸方法，利用標記樣本和未標記樣本來建立軟儀表，來達到更好的預測效果。為達到上述目的，本發(fā)明所采用的技術方案如下
一種基于半監(jiān)督學習的軟測量方法，首先，在工業(yè)過程數(shù)據(jù)和半監(jiān)督學習基礎上，利用圖拉普拉斯對樣本空間幾何結構的信息進行估計，構造高斯過程回歸中的協(xié)方差矩陣；然后引入未標記樣本構建一個半監(jiān)督核函數(shù)，并將其整合到高斯過程回歸中，構造基于半監(jiān)督回歸的軟儀表，軟儀表中的關鍵參數(shù)可以由交叉驗證方式確定；最后，基于滾動時間窗的方式，實現(xiàn)軟儀表的在線更新。
所述的協(xié)方差矩陣通過以下方式得到一個髙斯過程可由均值方程和協(xié)方差矩陣《χ約來唯一確定，髙斯過程就可以表示為/(χ) □ GP{m (χ),Κ(χ,χ'γ),其中: 高斯過程模型的訓練集為足
權利要求
1.一種基于半監(jiān)督學習的軟測量方法，其特征在于，首先在工業(yè)過程數(shù)據(jù)和半監(jiān)督學習基礎上，利用圖拉普拉斯對樣本空間幾何結構的信息進行估計構造高斯過程回歸中的協(xié)方差矩陣；然后引入未標記樣本構建一個半監(jiān)督核，并將其整合到高斯過程回歸中，構造基于半監(jiān)督的軟儀表，軟儀表中的關鍵參數(shù)可以由交叉驗證方式確定；最后，基于滾動時間窗的方式，實現(xiàn)軟儀表的在線更新。
2.根據(jù)權利要求1所述的基于半監(jiān)督學習的軟測量方法，其特征在于，所述的協(xié)方差矩陣通過以下方式得到一個髙斯過程可由均值方程―力和協(xié)方差矩陣來唯一確定，高斯過程就可以表示為
3.根據(jù)權利要求2所述的基于半監(jiān)督學習的軟測量方法，其特征在于，所述的構建一個半監(jiān)督核是指在半監(jiān)督學習中，基于大量的未標記數(shù)據(jù)能夠表征樣本空間的幾何特征，可用半監(jiān)督核的方法來解決半監(jiān)督學習問題，即用未標記數(shù)據(jù)Xv = {V U和標記數(shù)據(jù)
4.根據(jù)權利要求3所述的基于半監(jiān)督學習的軟測量方法，其特征在于，所述的構造基于患監(jiān)董.的軟儀表是指對稱半正定函數(shù)Ki;,)既可以作為髙斯過程的協(xié)方差函數(shù)，也可以作為再生核希爾伯特空間的核函數(shù)，髙斯過程和希爾伯特核空間通過函數(shù)尤(、■)緊密聯(lián)系在一起；基于患藍釐核的髙斯過程回歸建模方法即使用上述的.臺遍盧核函數(shù)更作為髙斯過程學習的協(xié)方差函數(shù)；-由高斯過程的定義可得，基于Xd和Xt的隨機變量辦和Λ服從聯(lián)合高斯分布，并且表示_下矩陣形式LZrJ Is L χτ^χ) (χ?！枝?」^ 設定(5為由jt和χ確定的近鄰圖,可證明，在條件σ下/_仍然服從髙斯分布， 表示成如下矩陣形式^-^JCjI j Iv _ -^"(xFJx) ￡"(xrjxr)jj(j根據(jù)貝葉斯公式可推導基于半監(jiān)督核的高斯過程回歸預測方程為， fτ \ χ, y 而々 ~ N、fT, ■ (JtY)式中,均值/ ·和協(xié)方差由下列公式計算；0
5.根據(jù)權利要求4所述的基于半監(jiān)督學習的軟測量方法，其特征在于，所述的在線更新是捐iil,鐘在任意時刻時狀態(tài)可由數(shù)據(jù)集A來描述，其中標
全文摘要
一種基于半監(jiān)督學習的軟測量方法，首先，在工業(yè)過程數(shù)據(jù)和半監(jiān)督學習基礎上，利用圖拉普拉斯對樣本空間幾何結構的信息進行估計構造高斯過程回歸中的協(xié)方差矩陣；然后，引入未標記樣本構建一個半監(jiān)督核，并將其整合到高斯過程回歸中，構造基于半監(jiān)督的軟儀表，軟儀表中的關鍵參數(shù)可以由交叉驗證方式確定；最后，基于滾動時間窗的方式，實現(xiàn)軟儀表的在線更新。本發(fā)明所公開的軟測量方法，解決常規(guī)的軟儀表和軟測量方法中存在的不足和缺陷，通過將半監(jiān)督學習引入到在線過程回歸中，建立一種基于半監(jiān)督核的在線高斯過程回歸方法，利用標記樣本和未標記樣本來建立軟儀表，來達到更好的預測效果。
文檔編號G06F19/00GK102542126SQ20111030371
公開日2012年7月4日 申請日期2011年10月10日 優(yōu)先權日2011年10月10日
發(fā)明者張丹丹, 田宇, 閻威武 申請人:上海交通大學