基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方法
【專利摘要】本發(fā)明公開了一種基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方法，包括：使用多屬性高斯核函數(shù)來構(gòu)造快速相關(guān)向量機(jī)的貝葉斯矩陣；建立基于貝葉斯框架下的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)模型；采用滑動(dòng)窗口技術(shù)建立滾動(dòng)時(shí)間窗將模型數(shù)據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗的滾動(dòng)進(jìn)行在線更新；實(shí)時(shí)預(yù)測(cè)出水水質(zhì)BOD、COD濃度的輸出。該方法在快速相關(guān)向量機(jī)的基礎(chǔ)上引入多屬性高斯核函數(shù)，增強(qiáng)了核函數(shù)的局部性能以及全局性，提出滑動(dòng)窗口技術(shù)將模型數(shù)據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗的滾動(dòng)進(jìn)行在線更新，增強(qiáng)了在線校正的有效性，有效提高了出水水質(zhì)預(yù)測(cè)的實(shí)時(shí)性和精度。
【專利說明】
基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量 方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及污水處理軟測(cè)量的技術(shù)領(lǐng)域，尤其是指一種基于多屬性高斯核函數(shù)快 速相關(guān)向量機(jī)的污水在線軟測(cè)量方法。
【背景技術(shù)】
[0002] 傳統(tǒng)污水處理方法種類多樣，主要有物理法、化學(xué)法、生物法等。我國現(xiàn)階段的城 市污水處理主要W生物法為主。但是，污水處理過程中，控制對(duì)象具有高度的非線性、時(shí)變、 大滯后等特點(diǎn)?？刂七^程要考慮多項(xiàng)質(zhì)量指標(biāo)，且一直處于外部環(huán)境的動(dòng)態(tài)擾動(dòng)之中。另 夕h在線檢測(cè)手段匿乏，許多過程變量缺乏穩(wěn)定可靠的實(shí)時(shí)監(jiān)測(cè)儀表。污水處理的復(fù)雜性和 測(cè)量儀表的缺陷，致使生化過程無法得到有效控制和處理，存在一大類難W測(cè)量或不易在 線測(cè)量的參數(shù)。為了提高出水合格率，節(jié)能降耗，降低運(yùn)行成本，提高系統(tǒng)可靠性，需要對(duì)污 水處理廠密切相關(guān)的過程變量進(jìn)行實(shí)施監(jiān)測(cè)和控制。軟測(cè)量技術(shù)W建模簡(jiǎn)單、方法多樣，預(yù) 測(cè)效果可觀等優(yōu)勢(shì)，為運(yùn)個(gè)難題提供了一個(gè)很好的解決方案。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出了一種基于多屬性高斯核函數(shù)快速 相關(guān)向量機(jī)的污水在線軟測(cè)量方法。首先，通過多屬性高斯核函數(shù)(MAG)來構(gòu)造貝葉斯矩 陣。再在相關(guān)向量機(jī)(RV^O的基礎(chǔ)上引入快速邊際似然算法來學(xué)習(xí)模型的超參數(shù)，建立基于 貝葉斯框架下的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)模型(MAG-FASTRVM)。最后采用滑動(dòng)窗 口技術(shù)建立滾動(dòng)時(shí)間窗，用若干組污水歷史數(shù)據(jù)建立初始模型，剩下若干組污水?dāng)?shù)據(jù)用于 新數(shù)據(jù)，建立MAG-FASTRVM的污水在線軟測(cè)量模型，實(shí)時(shí)預(yù)測(cè)出水水質(zhì)BOD、COD濃度的輸出。
[0004] 本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn)：
[0005] -種基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方法，包括下列步 驟：
[0006] S1、通過多屬性高斯核函數(shù)(MAG)來構(gòu)造貝葉斯矩陣，增強(qiáng)了核函數(shù)的局部性能W 及全局性能，所需的核參數(shù)個(gè)數(shù)對(duì)比于多樣本核相對(duì)較少；
[0007] S2、在相關(guān)向量機(jī)(RVM)的基礎(chǔ)上引入快速邊際似然算法來學(xué)習(xí)模型的超參數(shù)，建 立基于貝葉斯框架下的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)模型(MAG-FASTRVM)?？焖傧嚓P(guān) 向量機(jī)中引入快速邊際似然算法，其中基函數(shù)的選擇是采用自下而上的方法，即令基函數(shù) 個(gè)數(shù)從1開始不斷增加直至獲取相關(guān)向量，超參數(shù)更新時(shí)設(shè)及的矩陣計(jì)算復(fù)雜度只與當(dāng)前 模型中存在的基函數(shù)個(gè)數(shù)有關(guān)，可W對(duì)訓(xùn)練樣本的超參進(jìn)行快速估計(jì)，去除訓(xùn)練樣本的大 量非相關(guān)向量，保證了模型的稀疏性，減少訓(xùn)練時(shí)間；
[000引S3、采用滑動(dòng)窗口技術(shù)建立滾動(dòng)時(shí)間窗，利用滾動(dòng)時(shí)間窗內(nèi)的數(shù)據(jù)優(yōu)化建模，將模 型數(shù)據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗的滾動(dòng)進(jìn)行在線更新；
[0009] S4、設(shè)置滾動(dòng)窗口長度L，移動(dòng)長度R，用若干組污水歷史數(shù)據(jù)建立初始模型，剩下 若干組污水?dāng)?shù)據(jù)用于新數(shù)據(jù)，建立MAG-FASTRVM的污水在線軟測(cè)量模型，實(shí)時(shí)預(yù)測(cè)出水水質(zhì) BOD、COD濃度的輸出。
[0010] 進(jìn)一步的，所述步驟Sl具體為：
[00川 MAG核的形式如下：
[0012]
[OOU]其中Xm表示第m個(gè)樣本，Xn表示第n個(gè)樣本，其中m，nE(l，2,. . .，N)。樣本的每個(gè)屬 性均有對(duì)應(yīng)的核參數(shù)，％表示第k個(gè)核參數(shù)。定義d是輸入樣本的屬性個(gè)數(shù)，多屬性高斯核參 數(shù)可表示為:n=(m，ri2,...，nd)。
[0014] 令 4 (Xn) = [I，k(Xn，xi) ,k(Xn，X2)，. . .，k(Xn，XN)]T，它為(N+l) X I維矩陣，則 MAG 核 構(gòu)成的貝葉斯矩陣可表示為：巫=[4 (Xl)，(Hx2)，. . .，(I) (Xn)]T，其是NX (N+1)維的矩陣。
[0015] 進(jìn)一步的，所述步驟S2為：
[0016] S21、初始化核參數(shù)，并建立MAG核貝葉斯矩陣O，設(shè)定初始噪聲方差S2;
[0017] S22、通過探索式方法獲得初始基向量4 i= 4 (Xi)，并設(shè)置其他的超參數(shù):令am(m 聲i)為無窮大(例如令口 m=109)，4
[0018] S23、初始化所有基函數(shù)(K的稀疏因子Sm和質(zhì)量因子qm，計(jì)算協(xié)方差矩陣X、權(quán)值 矩陣y;
[0019] S24、計(jì)算每個(gè)候選基向量d)對(duì)應(yīng)的白,二A3-A值，并與零作比較；
[0020] S25、如果基向量d)i在模型中，且有目i>0，ai<cx^，則重新計(jì)算超參數(shù)Qi;
[00別]S26、如果基向量d)i不在模型中，且目i>0，ai = cx^，添加基向量d)翊模型中并重新 計(jì)算超參數(shù)Qi;
[0022] S27、若目i《0且Qi<cx^，刪除基向量d) i并設(shè)置超參數(shù)Qi= CX^;
[0023] S28、計(jì)算噪聲方差
其中N為樣本個(gè)數(shù)，M為基函 數(shù)個(gè)數(shù)；
[0024] S29、更新稀疏因子Sm和質(zhì)量因子qm，并且迭代估計(jì)協(xié)方差矩陣X，權(quán)重矩陣ii;
[0025] S210、若收斂或者達(dá)到最大迭代次數(shù)，則程序終止，并且輸出權(quán)值、噪聲方差、相關(guān) 向量機(jī)個(gè)數(shù)，否則轉(zhuǎn)到S24。
[00%]進(jìn)一步的，所述步驟S4具體為：
[0027] 假設(shè)最新的污水?dāng)?shù)據(jù)輸入屬性為Xnew,實(shí)際的C0D、B0D出水參數(shù)值為ynew，則出水參 數(shù)的在線更新算法如下步驟：
[0028] S41、設(shè)置滾動(dòng)窗口長度L = 200,將最早的200組數(shù)據(jù)作為初始數(shù)據(jù)窗，并用初始數(shù) 據(jù)窗內(nèi)的數(shù)據(jù)作為初始訓(xùn)練樣本，根據(jù)步驟S2中快速相關(guān)向量機(jī)建模步驟建立初始模型；
[0029] S42、對(duì)新來的數(shù)據(jù)Xnew進(jìn)行預(yù)測(cè)并計(jì)算偏差；
[0030] S43、使數(shù)據(jù)窗進(jìn)行滾動(dòng)R=I,將新來的數(shù)據(jù)(Xnew，ynew)加進(jìn)訓(xùn)練樣本中，并丟棄最 早的一組數(shù)據(jù)，更新訓(xùn)練樣本；
[0031] S44、利用數(shù)據(jù)窗內(nèi)的數(shù)據(jù)重新建立模型，進(jìn)行預(yù)測(cè)；
[0032] S45、返回步驟S42,直到所有新數(shù)據(jù)測(cè)試完為止。
[0033] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：
[0034] 1)本發(fā)明方法采用多屬性高斯核函數(shù)構(gòu)造相關(guān)向量機(jī)的貝葉斯矩陣，增強(qiáng)了核函 數(shù)的局部性能W及測(cè)試點(diǎn)相距較遠(yuǎn)的點(diǎn)對(duì)核函數(shù)的影響，所需的核參數(shù)個(gè)數(shù)對(duì)比于多樣本 核，也相對(duì)較少，適合污水歷史數(shù)據(jù)龐多，特征屬性迴異的特點(diǎn)。
[0035] 2)本發(fā)明采用滑動(dòng)窗口技術(shù)建立滾動(dòng)時(shí)間窗，將模型數(shù)據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗 的滾動(dòng)進(jìn)行在線更新，基于此建立了MAG-FASTRVM的污水在線軟測(cè)量模型，增強(qiáng)了出水水質(zhì) BOD、COD輸出濃度預(yù)測(cè)的實(shí)時(shí)性和精度。
【附圖說明】
[0036] 圖1是本發(fā)明中依據(jù)基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方 法的流程圖；
[0037] 圖2(a)是本實(shí)施例步驟S4中MAG-FASTRVM模型關(guān)于BOD的在線預(yù)測(cè)圖；
[003引圖2(b)是本實(shí)施例步驟S4中MAG-FASTRVM模型關(guān)于COD的在線預(yù)測(cè)圖；
[0039] 圖3 (a)是本實(shí)施例步驟S4中RVM的稀疏性對(duì)比曲線；
[0040] 圖3(b)是本實(shí)施例步驟S4中MAG-FASTRVM的稀疏性對(duì)比曲線。
【具體實(shí)施方式】
[0041] 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚、明確，W下參照附圖并舉實(shí)施例對(duì) 本發(fā)明做進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用W解釋本發(fā)明，并不 用于限定本發(fā)明。
[0042] 實(shí)施例
[0043] 污水排放標(biāo)準(zhǔn)中，參數(shù)指標(biāo)生化需氧量BOD和化學(xué)需氧量COD反映了水體被有機(jī)污 染的程度，B0D/C0D的比率反映出了污水的生物降解能力。運(yùn)兩個(gè)參數(shù)的測(cè)量對(duì)控制污水處 理具有非常重要的價(jià)值。
[0044] 本實(shí)施例針對(duì)污水處理廠出水水質(zhì)的軟測(cè)量預(yù)測(cè)問題，重點(diǎn)研究了一種基于多屬 性高斯核函數(shù)快速相關(guān)向量機(jī)的在線軟測(cè)量方法，該方法在線預(yù)測(cè)精度較高、稀疏性好、更 新速度快，在污水處理出水參數(shù)BOD、COD的在線預(yù)測(cè)過程中表現(xiàn)出色。
[0045] 請(qǐng)參見附圖1，附圖1是本實(shí)施例中依據(jù)基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的 污水在線軟測(cè)量方法的流程圖。本發(fā)明采用UCI數(shù)據(jù)庫的污水?dāng)?shù)據(jù)集，污水?dāng)?shù)據(jù)共400組，39 維，對(duì)污水?dāng)?shù)據(jù)進(jìn)行降維得到400組，18維數(shù)據(jù)。利用降維后的數(shù)據(jù)對(duì)污水參數(shù)B0D、C0D進(jìn)行 預(yù)測(cè)。具體過程如下：
[0046] 步驟S1、通過多屬性高斯核函數(shù)(MAG)來構(gòu)造貝葉斯矩陣，增強(qiáng)了核函數(shù)的局部性 能W及全局性能，使所需的核參數(shù)個(gè)數(shù)對(duì)比于多樣本核相對(duì)較少；
[0047] MAG核的形式如下：
[004引
[0049]其中Xm表示第m個(gè)樣本，Xn表示第n個(gè)樣本，其中m，nG(l，2,. . .，N)。樣本的每個(gè)屬 性均有對(duì)應(yīng)的核參數(shù)，％表示第k個(gè)核參數(shù)。定義d是輸入樣本的屬性個(gè)數(shù)，多屬性高斯核參 數(shù)可表示為:n=(m，ri2,...，nd)。
[0050] 令 4 (Xn) = [I，k(Xn，xi) ,k(Xn，X2)，. . .，k(Xn，XN)]T，它為(N+l) X I維矩陣，則 MAG 核 構(gòu)成的貝葉斯矩陣可表示為：巫=[4 (Xl)，(Hx2)，. . .，(I) (Xn)]T，其是NX (N+1)維的矩陣。
[0051] 步驟S2、在相關(guān)向量機(jī)(RVM)的基礎(chǔ)上引入快速邊際似然算法來學(xué)習(xí)模型的超參 數(shù)，建立基于貝葉斯框架下的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)模型(MAG-FASTRVM);
[0052] (步驟S21)、初始化核參數(shù)，并建立MAG核貝葉斯矩陣O，設(shè)定初始噪聲方差S2;
[0053] (步驟S22)、通過探索式方法獲得初始基向量(61=(1) (XI)，并設(shè)置其他的超參數(shù)： 令am(m聲i)為無窮大(例如令Qm=IO9)，令
[0054] (步驟S23)、初始化所有基函數(shù)(1)。的稀疏因子Sm和質(zhì)量因子qm，計(jì)算協(xié)方差矩陣 X、權(quán)值矩陣ii;
[0055] (步驟S24)、計(jì)算每個(gè)候選基向量對(duì)應(yīng)的6,. 值，并與零作比較；
[0化6](步驟S25)、如果基向量d)進(jìn)模型中，且有目i>0，Qi< CX^，則重新計(jì)算超參數(shù)Qi; [0化7](步驟S26)、如果基向量d)i不在模型中，且目i>0，ai = cx^，添加基向量d)翊模型中 并重新計(jì)算超參數(shù)口 1;
[0化引（步驟S27)、若目i《0且Qi<cx^，刪除基向量d) i并設(shè)置超參數(shù)Qi= CX^ ;
[0059] (步驟S28)、計(jì)算噪聲方差
其中N為樣本個(gè)數(shù)，M 為基函數(shù)個(gè)數(shù)；
[0060] (步驟S29)、更新稀疏因子Sm和質(zhì)量因子qm，并且迭代估計(jì)協(xié)方差矩陣X，權(quán)重矩陣 y;
[0061] (步驟S210)、若收斂或者達(dá)到最大迭代次數(shù)，則程序終止，并且輸出權(quán)值、噪聲方 差、相關(guān)向量機(jī)個(gè)數(shù)，否則轉(zhuǎn)到步驟S24。
[0062] 步驟S3、采用滑動(dòng)窗口技術(shù)建立滾動(dòng)時(shí)間窗，利用滾動(dòng)時(shí)間窗內(nèi)的數(shù)據(jù)優(yōu)化建模， 將模型數(shù)據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗的滾動(dòng)進(jìn)行在線更新；
[0063] 污水?dāng)?shù)據(jù)采集的間隔是平均一天一個(gè)數(shù)據(jù)，且采集數(shù)量不多，故根據(jù)數(shù)據(jù)的采集 頻率利用短期學(xué)習(xí)方法對(duì)模型進(jìn)行更新。由于污水?dāng)?shù)據(jù)是時(shí)序序列，在在線模型中用前200 組數(shù)據(jù)作為訓(xùn)練模型，后200組作為測(cè)試數(shù)據(jù)?，F(xiàn)在對(duì)模型校正，設(shè)置滾動(dòng)時(shí)間窗的長度為 200,即選200組連續(xù)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將剩下的200組數(shù)據(jù)作為新數(shù)據(jù)依時(shí)序加入到模型 中。在學(xué)習(xí)過程中，每當(dāng)來一個(gè)新數(shù)據(jù)，便令滾動(dòng)窗口向前移動(dòng)一個(gè)數(shù)據(jù)，使模型來一組新 數(shù)據(jù)便加入到200組訓(xùn)練數(shù)據(jù)中，同時(shí)刪除最早的數(shù)據(jù)，從而保證每次的訓(xùn)練數(shù)據(jù)包含新的 信息，避免歷史所含數(shù)據(jù)淹沒新數(shù)據(jù)包含的信息，提高模型對(duì)不同工況點(diǎn)的適應(yīng)性。
[0064] 步驟S4、建立MAG-FASTRVM的污水在線軟測(cè)量模型，實(shí)時(shí)預(yù)測(cè)出水水質(zhì)BODXOD濃 度的輸出，具體過程為：
[0065] 假設(shè)最新的污水?dāng)?shù)據(jù)輸入屬性為Xnew,實(shí)際的C0D、B0D出水參數(shù)值為ynew，則出水參 數(shù)的在線更新算法如下步驟：
[0066] (步驟S41)、設(shè)置滾動(dòng)窗口長度L = 200,將最早的200組數(shù)據(jù)作為初始數(shù)據(jù)窗，并用 初始數(shù)據(jù)窗內(nèi)的數(shù)據(jù)作為初始訓(xùn)練樣本，根據(jù)步驟S2中快速相關(guān)向量機(jī)建模步驟建立初始 模型；
[0067] (步驟S42)、對(duì)新來的數(shù)據(jù)Xnew進(jìn)行預(yù)測(cè)并計(jì)算偏差；
[0068] (步驟S43 )、使數(shù)據(jù)窗進(jìn)行滾動(dòng)R= 1，將新來的數(shù)據(jù)(Xnew，ynew)加進(jìn)訓(xùn)練樣本中，并 丟棄最早的一組數(shù)據(jù)，更新訓(xùn)練樣本；
[0069] (步驟S44)、利用數(shù)據(jù)窗內(nèi)的數(shù)據(jù)重新建立模型，進(jìn)行預(yù)測(cè)；
[0070] (步驟S45)、返回步驟S42,直到所有新數(shù)據(jù)測(cè)試完為止。
[0071] 根據(jù)步驟S4,仿真實(shí)驗(yàn)先用200組歷史數(shù)據(jù)建立初始模型，剩下200組數(shù)據(jù)用于新 數(shù)據(jù)。當(dāng)模型有最新輸入時(shí)，預(yù)測(cè)出水水質(zhì)BOD、COD濃度的最新輸出，然后將運(yùn)一新輸入和 輸出數(shù)據(jù)加入到訓(xùn)練樣本中，對(duì)訓(xùn)練樣本進(jìn)行更新，為了保持訓(xùn)練樣本的容量，將訓(xùn)練樣本 中最早的樣本丟棄，附圖2是MAG-FASTRVM模型的在線預(yù)測(cè)圖，可直觀的反映出MAG-FASTRVM 在線模型對(duì)污水參數(shù)BOD、COD具有良好的實(shí)時(shí)跟蹤能力。
[0072] 表1和表2給出了B0D、C0D的MAG-FASTRVM的在線實(shí)驗(yàn)結(jié)果，并同時(shí)列出了對(duì)比模型 相關(guān)向量機(jī)(RVM )、高斯核函數(shù)快速相關(guān)向量機(jī)(FASTRVM )、多項(xiàng)式核函數(shù)快速相關(guān)向量機(jī) (MU化-FASTRVM)、組合核函數(shù)快速相關(guān)向量機(jī)(C-FASTRVM)的在線實(shí)驗(yàn)結(jié)果。從表1和表2中 可W發(fā)現(xiàn)RVM的預(yù)測(cè)精度最好，與RVM相比，MAG-FASTRVM的輸出精度相對(duì)偏低，但從平均相 關(guān)向量機(jī)個(gè)數(shù)，模型在線運(yùn)行時(shí)間（Run time)來看，MAG-FASTRVM模型的稀疏性更好，且模 型更新運(yùn)行時(shí)間縮短了一半。附圖3是RVM與MAG-FASTRVM的稀疏性對(duì)比曲線，其分別表示 BOD和COD參數(shù)在200次在線建模中200個(gè)更新模型的相關(guān)向量機(jī)個(gè)數(shù)。一般而言，稀疏性越 好，模型計(jì)算時(shí)間更少，學(xué)習(xí)效率更高。
[0073] 表1 MAG-FASTRVM及其對(duì)比模型的BOD在線預(yù)測(cè)結(jié)果
[0074]
LUU//J 結(jié)百'衣W因丹t/r ,MAb寸AMKVM候坐化巧頂測(cè)稍設(shè)載同、怖側(cè)/吐化、義新化設(shè)'I犬。出 于實(shí)時(shí)預(yù)測(cè)考慮，軟測(cè)量模型對(duì)快速性要求更高，在滿足預(yù)測(cè)精度的前提下，能快速校正的 模型更適合出水參數(shù)B0D、C0D的在線預(yù)測(cè)，因此MAG-FASTRVM的在線模型比起其它在線模型 更能滿足實(shí)時(shí)預(yù)測(cè)的要求。
[0078]上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的 限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化， 均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方法，其特征在于， 包括以下步驟： 51、 通過多屬性高斯核函數(shù)構(gòu)造快速相關(guān)向量機(jī)的貝葉斯矩陣Φ; 52、 在相關(guān)向量機(jī)的基礎(chǔ)上引入快速邊際似然算法來學(xué)習(xí)模型的超參數(shù)，建立基于貝 葉斯矩陣Φ的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)模型； 53、 采用滑動(dòng)窗口技術(shù)建立滾動(dòng)時(shí)間窗，利用滾動(dòng)時(shí)間窗內(nèi)的數(shù)據(jù)優(yōu)化建模，將模型數(shù) 據(jù)和參數(shù)隨著滾動(dòng)時(shí)間窗的滾動(dòng)進(jìn)行在線更新； 54、 設(shè)置滾動(dòng)窗口長度L，移動(dòng)長度R，用若干組污水歷史數(shù)據(jù)建立初始模型，剩下若干 組污水?dāng)?shù)據(jù)用于新數(shù)據(jù)，建立基于貝葉斯矩陣Φ的多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污 水在線軟測(cè)量模型，實(shí)時(shí)預(yù)測(cè)出水水質(zhì)生物需氧量BOD以及化學(xué)需氧量COD的濃度輸出。2. 根據(jù)權(quán)利要求1所述的基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方 法，其特征在于，所述多屬性高斯核函數(shù)的形式如下：其中Xm表示第m個(gè)樣本，Xn表示第η個(gè)樣本，其中m，ne (1,2, ...，N)，樣本的每個(gè)屬性均 有對(duì)應(yīng)的核參數(shù)，％表示第k個(gè)核參數(shù)，定義d是輸入樣本的屬性個(gè)數(shù)，多屬性高斯核參數(shù)可 表示為:η=(ηι，η2, · · ·，nd); 令 Φ (Xn) = [l，k(xn，xi)，k(xn，X2)，· · ·，k(xn，XN)]T，它為(N+l) X 1維矩陣，則多屬性高 斯核構(gòu)成的貝葉斯矩陣可表示為： φ = [ Φ (Xl)，Φ (X2)，· · ·，Φ (Xn)]T，其是NX (N+1)維的矩陣。3. 根據(jù)權(quán)利要求1所述的基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方 法，其特征在于，所述步驟S2具體為： 521、 初始化核參數(shù)，并建立多屬性高斯核的貝葉斯矩陣Φ，設(shè)定初始噪聲方差δ2; 522、 通過探索式方法獲得初始基向量Φ i= Φ (Xi)，并設(shè)置其他的超參數(shù):$am(m辛i) 為無窮大(例如令~=IO9) 4523、 初始化所有基函數(shù)Φ?的稀疏因子sm和質(zhì)量因子qm，計(jì)算協(xié)方差矩陣Σ、權(quán)值矩陣 μ； 524、 計(jì)算每個(gè)候選基向量(^對(duì)應(yīng)的兵=?2-?值，并與零作比較； 525、 如果基向量Φ?在模型中，且有0i>〇，ai<〇〇，則重新計(jì)算超參數(shù)ai; 526、 如果基向量Φ i不在模型中，且0i>〇，ai=〇〇，添加基向量(^到模型中并重新計(jì)算 超參數(shù)ai; 527、 若Qi彡〇且CiiCoo，刪除基向量φ i并設(shè)置超參數(shù)Cii = 〇〇 ; 528、 計(jì)算噪聲方iy其中N為樣本個(gè)數(shù)，M為基函數(shù)個(gè) 數(shù)；529、 更新稀疏因子sm和質(zhì)量因子qm，并且迭代估計(jì)協(xié)方差矩陣Σ，權(quán)重矩陣μ; S210、若收斂或者達(dá)到最大迭代次數(shù)，則終止，并且輸出權(quán)值、噪聲方差、相關(guān)向量機(jī)個(gè) 數(shù)，否則轉(zhuǎn)到S24。4.根據(jù)權(quán)利要求1所述的基于多屬性高斯核函數(shù)快速相關(guān)向量機(jī)的污水在線軟測(cè)量方 法，其特征在于，所述步驟S4具體為： 假設(shè)最新的污水?dāng)?shù)據(jù)輸入屬性為Xn?，實(shí)際的COD、BOD出水參數(shù)值為yne3W， 541、 設(shè)置滾動(dòng)窗口長度L，將最早的L組數(shù)據(jù)作為初始數(shù)據(jù)窗，并用初始數(shù)據(jù)窗內(nèi)的數(shù) 據(jù)作為初始訓(xùn)練樣本，根據(jù)所述步驟S2中快速相關(guān)向量機(jī)建模過程建立初始模型； 542、 對(duì)新來的數(shù)據(jù)Xne3W?行預(yù)測(cè)并計(jì)算偏差； 543、 使數(shù)據(jù)窗進(jìn)行滾動(dòng)R=I，將新來的數(shù)據(jù)(x_，y_)加進(jìn)訓(xùn)練樣本中，并丟棄最早的 一組數(shù)據(jù)，更新訓(xùn)練樣本； 544、 利用數(shù)據(jù)窗內(nèi)的數(shù)據(jù)重新建立模型，進(jìn)行預(yù)測(cè)； 545、 返回步驟S42，直到所有新數(shù)據(jù)測(cè)試完為止。
【文檔編號(hào)】G06F19/00GK106021924SQ201610338733
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月19日
【發(fā)明人】許玉格, 孫稱立, 劉莉, 鄧曉燕, 羅飛
【申請(qǐng)人】華南理工大學(xué)