【技术实现步骤摘要】
本专利技术涉及一种4-CBA含量的软测量方法，特别涉及一种基于改进AdaBoost算法的4-CBA含量的软测量方法，属于化学工程领域。
技术介绍
AdaBoost(AdaptiveBoosting)算法是Freund和Schapire提出的将弱学习器提升为强学习器的算法，该算法不仅可以将任意弱学习器组合提升，还可以提高强学习器的预测精度，目前已广泛应用于两类问题，多分类问题和回归问题等方面。AdaBoost算法的主要思想是给每个训练样本赋予样本权值，在训练弱学习器的过程中更新样本权值，其中样本权值变化是由当前训练的弱学习器的训练结果决定，训练误差大的样本权值会加大，训练误差小的样本权值会减小，训练结束后样本权值大的样本会作为下一轮训练样本继续训练，这样反复迭代，最后得到一组弱学习器，将它们组合得到强学习器。AdaBoost算法已在分类问题中取得了非常好的预测效果，但是由于回归问题不同于分类问题的误差函数，所以针对分类问题提出的AdaBoost算法不能直接应用于回归问题。因此，1997年Freund和Schapire又提出了AdaBoost.R算法，该算法通过是回...
【技术保护点】
一种基于改进AdaBoost算法的4‑CBA含量的软测量方法，其特征在于，包括以下具体步骤：步骤1，选择若干个过程变量作为软测量模型的输入变量，软测量模型的输出量为4‑CBA的含量；步骤2，采集m组输入变量所对应的历史运行数据和相应的4‑CBA含量的分析数据作为初始训练样本；并对初始训练样本中的每组样本数据定义一个样本权值，且设置样本权值的初值均为1/m；步骤3，基于AdaBoost算法采用初始训练样本训练k个BP神经网络，将该k个BP神经网络组合后得到软测量模型，具体为：3.1，令迭代次数t＝1；3.2，采用初始训练样本对一个BP神经网络进行训练，并根据公式1‑3分别计算...
【技术特征摘要】
1.一种基于改进AdaBoost算法的4-CBA含量的软测量方法，其特征在于，包括以下具体步骤：步骤1，选择若干个过程变量作为软测量模型的输入变量，软测量模型的输出量为4-CBA的含量；步骤2，采集m组输入变量所对应的历史运行数据和相应的4-CBA含量的分析数据作为初始训练样本；并对初始训练样本中的每组样本数据定义一个样本权值，且设置样本权值的初值均为1/m；步骤3，基于AdaBoost算法采用初始训练样本训练k个BP神经网络，将该k个BP神经网络组合后得到软测量模型，具体为：3.1，令迭代次数t＝1；3.2，采用初始训练样本对一个BP神经网络进行训练，并根据公式1-3分别计算本次迭代训练完成的BP神经网络的相对预测误差、平均相对误差和最大阈值：et(i)=|ft(xi)-yiyi|---(1)]]>其中，et(i)为第t次迭代训练完成的BP神经网络的相对预测误差，ft(xi)为第t次迭代训练完成的BP神经网络对应第i组样本数据的预测输出，yi为第i组样本数据中的4-CBA含量的分析数据；为第t次迭代训练完成的BP神经网络的平均相对误差；Φt为第t次迭代训练完成的BP神经网络的最大阈值，n为系数；3.3，根据公式4更新初始训练样本中的每组样本数据的样本权值，具体为：其中，Dt+1(i)为第t+1次迭代时初始训练样本中的第i组样本数据的样本权值，Dt(i)为第t次迭代时初始训练样本中的第i组样本数据的样本权值，且D1(i)＝1/m；Bt是归一化因子；n'为系数，3.4，若t＜k，则采用轮盘赌算法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。