基于即时学习的不完整高维数据非线性过程软测量

摘要：

由于现代工业过程中数据存在高维性、强非线性、时变性和不完整性等特性,限制了局部加权偏最小二乘算法(LW-PLS)的预测精度.因此,本工作在即时学习建模算法的基础上,将偏最小二乘算法(PLS)应用于相似性样本的选择中,并研究比较了基于主成分分析法(PCA)无监督降维的即时学习算法和基于PLS有监督降维的即时学习算法.概率主成分分析法(PPCA)可以有效的解决数据不完整性的问题;基于PCA和PLS算法的处理,有效的解决了数据高维性问题.基于即时学习的局部加权建模,可以有效解决数据的时变性和非线性问题.所研究算法的有效性在一个数值例子和脱丁烷塔实例中得到了验证.

关键词：概率主成分分析、即时学习、偏最小二乘法、局部加权偏最小二乘算法

所属期刊栏目：41

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金项目61803219

在线出版日期：2020-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：109-118