亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

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

文檔序號(hào):10655734閱讀:316來源:國知局
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)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1