基于JIT-RVC算法的软测量的研究及其应用.pdfVIP

第 28 卷 第 7 期 计算机与应用化学 Vol.28, No.7 2011 年 7 月 28 日 Computers and Applied Chemistry July, 2011 基于 JIT-RVC 算法的软测量的研究及其应用 * 刘乙奇 ，黄道平，李艳 （华南理工大学自动化科学与工程学院，广东，广州，510640 ） 摘要：针对传统 JIT （Just-in-time ）算法单纯以距离为数据选择的缺陷，以及局部模型鲁棒性差，稳定性不强的特点，文中一方面提 出了与 Jolliffe 参数相结合的鲁棒最近相关算法，使得 JIT 算法能够在离群点出现的情况下正确的选择建模数据，另一方面，还将合 成随机变系数概率模型算法（Ensemble RVC ）作为JIT 算法的局部模型构成了 JIT-RVC 算法，于此强化了传统 JIT 算法的非线性逼近 能力和鲁棒性。最后，通过强烈干扰情况下的污水生化处理的 BOD5 软测量预测仿真结果证明了算法的有效性，特别要指出的是相较 于 JIT-PLS 算法，JIT-RVC 算法的 RMSE 指标减少了 55%，而相关系数提高了 53% 。 关键词：鲁棒最近相关算法；即时；合成随机变系数概率模型；污水生化处理；5 天生物需氧量 中图分类号：TP273; TP311.52; TP391.9 文献标识码：A 文章编号：1001-4160(2011)07-811-815 1 引言 择，同时结合合成 RVC 算法作为局部模型对普通 JIT 算 法进行了改进，并将其用于污水生化处理的 BOD5 软测 随着计算机存储技术的飞速发展，JIT （Just-in -Time ） 量预测的，为实现 BOD5 鲁棒在线测量仪表提供理论依 学习[1] ，即慵懒学习（lazy learning ）以其优越的自适应 据，同时为污水处理闭环控制提供可能。 能力获得了广泛的关注。JIT 学习算法是 Bontempi G 等[1] 于 1999 年提出来的，是基于“相似输入产生相似输出”原 2 JIT-RVC 算法 则，通过记忆在存储器中样本数据，然后根据输入点， 在样本数据中找到与之相似的数据，并随系统工作点的 文中以 xq 为基础和相关性最大为原则的 RNC 算法 变化，在线滚动建立系统的若干局部模型，以满足非线 于选择出相关最强的数据组用于后续建模，这完全克服 性系统实时建模与控制的需要。JIT 算法已经在人工智 了Bontempi G 等提出以距离为准则的普通 JIT 学习算法 能，机器学习，机器人控制，炼钢过程中得到了广泛应 的不足，此外，选用了稳定的合成RVC 算法作为 JIT 的 用[2-3-4] 。但是Bontempi G 等提出的普通 JIT 学习算法存 局部模型。其中 JIT 是以合成 RVC 作为其局部模型，而 在以下不足：（1）随着数据的膨胀，处理速度严重下降， 合成 RVC 则以 RVC 作为其局部模型，具体算法模型如 甚至发生“维数灾难” ；（2 ）仅仅依靠距离作为数据相关 图 1 所示。 性的选择指标而忽略了向量角度，数据分布等因素；（3 ） 在数据预处理中没有将离群点（outliers ），极大地影响了 建模的效果；（4 ）局部模型的逼近能力有限。 针对以上问题，文献[5-