论文部分内容阅读
在实际工业过程中,一些关键的过程变量和生产过程的安全保障乃至产品质量都有着密切的联系。因此,对于过程变量的准确预测对于过程控制、生产决策等应用有重要意义。一般来说,预测结果通常由点估计结果给出。然而,对于高维、高非线性和含噪声的工业过程,点估计越来越难以满足精度要求,同时,在无法获得真实值的情况下,也无法对预测结果的不确定度进行估计。由此,本文着重研究区间预测方法及其过程工业应用,主要研究内容如下:(1)为了对预测结果的不确定性和变化趋势进行估计,本文提出了一种基于Bootstrap和相关向量机(Bootstrapped RVM)的区间预测方法。在该方法中,Bootstrap用于重抽样和获取预测区间,RVM作为回归算法。两者结合后,可以构建可靠的预测区间并快速得出预测结果,在数据量不大的情况下,它的训练速度也足够快。(2)由于Bootstrap法需要多次抽样并对每组重抽样数据训练RVM模型,从而导致训练和测试时间线性增加。对此,本课题引入了并行计算方法,并改进了现有训练和测试算法(ParallelBootstrapped RVM),将多组样本的训练和测试过程由计算机的多核心处理器并行执行,从而在一定程度上降低了 Bootstrap法多次训练和测试问题带来的影响,并提高了大数据量下的训练和测试速度和计算机计算资源的利用率。(3)结合双稀疏相关向量机与Bootstrap方法,本文提出了另一种区间预测方法:Parallel Bootstrapped DSRVM。该方法可以应对包含更复杂特征的数据,并且对噪声方差的逼近更接近于真实值。(4)考虑到累积偏差指标的相对值计算方法对于数据在零值附近的误差放大问题,提出了新的区间平均误差指标;此外,由于实际应用中的数据存在时效性,本文提出了时间窗口评价指标的改进和表示方法。(5)本文使用加入不同噪声的标准函数数据,以及实际工业过程的高密度聚乙烯数据分别对所提出的方法进行了验证,仿真实验使用了基于Bootstrap的RVM、DSRVM、SVM和ELM的方法进行对比,同时也对配对Bootstrap、残差Bootstrap、加权残差Bootstrap法对区间预测结果的影响进行了对比。仿真结果表明,与其它方法相比,本文提出的两种方法在预测精度、方差估计、真实值逼近能力、训练时间和测试时间等方面都能取得较好的结果。