一种基于GA-NLP方法的软测量建模辅助变量选择方法技术

本发明专利技术公开了一种基于GA‑NLP方法的软测量建模辅助变量选择方法，该方法在混合整数非线性规划变量选择方法基础上，通过加入验证集的均方误差，从而得到一个新的MINLP优化问题，并将其分成内外两层结构，外层采用遗传算法GA对二元整数变量进行寻优，内层在整数变量固定之后退化成了较易于求解的非线性规划问题NLP。与传统的基于BIC准则的方法进行比较，本发明专利技术能找到预测性能更优的辅助变量子集，降低模型的复杂度。

【技术实现步骤摘要】
一种基于GA-NLP方法的软测量建模辅助变量选择方法
本专利技术涉及工业建模领域，尤其涉及工业过程中难以在线测量的关键过程变量的预测模型建立。
技术介绍
近年来，在现代生产过程中，对产品质量的要求越来越高，必须对与产品质量密切相关的关键变量进行实时检测。但是，在线分析仪表价格昂贵、维护保养复杂；而通过离线实验室分析结果存在滞后大等原因，将导致控制质量的性能下降，难以满足生产要求。软测量技术正是为了解决这类质量指标的实时测量和控制问题而逐渐发展起来的。软测量技术源于世纪年代提出的推断控制。推断控制的基本思想是采集过程中比较容易测量的辅助变量,通过构造推断估计器来估计并克服扰动和测量噪声对过程主导变量的影响。推断控制包括推断估计器和控制器的设计,两者可以独立进行,其中推断估计器是推断控制系统设计的关键,如果主导变量的估计值足够精确,那么就为控制器的设计提供了良好的支持。软测量技术正是围绕如何构造一个高精度的估计器这一核心内容展开的。而辅助变量选择正是软测量建模中关键的一步，近年来，国内外对辅助变量选择进行了大量的研究。06年，Emet等人提出直接优化AIC准则，将变量选择描述成一个混合整本文档来自技高网...

【技术保护点】
1.一种基于GA‑NLP方法的软测量建模辅助变量选择方法，其特征在于，包括以下步骤：步骤一：数据预处理，对数据集进行归一化处理，并将数据集按照5:2:3的比例分为训练集、验证集和测试集，训练集、验证集用于辅助变量选择，测试集用于验证所选子集效果。步骤二：通过引入验证集的均方误差，将原MINLP优化重新描述为以训练集BIC准则和验证集MSE准则结合作为目标函数的MINLP优化。步骤三：随机生成种群，即等概率0、1编码的标准化矩阵，矩阵中行向量代表候选变量个数m，列向量代表遗传算法种群大小N。步骤四：对于一组给定的有m个候选辅助变量的训练集，通过遗传算法种群个体固定了一个有p个辅助变量的子集时，将...

【技术特征摘要】
1.一种基于GA-NLP方法的软测量建模辅助变量选择方法，其特征在于，包括以下步骤：步骤一：数据预处理，对数据集进行归一化处理，并将数据集按照5:2:3的比例分为训练集、验证集和测试集，训练集、验证集用于辅助变量选择，测试集用于验证所选子集效果。步骤二：通过引入验证集的均方误差，将原MINLP优化重新描述为以训练集BIC准则和验证集MSE准则结合作为目标函数的MINLP优化。步骤三：随机生成种群，即等概率0、1编码的标准化矩阵，矩阵中行向量代表候选变量个数m，列向量代表遗传算法种群大小N。步骤四：对于一组给定的有m个候选辅助变量的训练集，通过遗传算法种群个体固定了一个有p个辅助变量的子集时，将MINLP进一步简化为一个NLP问题：其中，J表示混合准则的值，p为辅助变量数，n1表示训练集中样本的个数，n2表示验证集中样本的个数，ε1,i和ε2,i为对应于训练集和验证集的模型预测误差，xij表示第i个样本中第j个辅助变量的值，yi表示对应于第i个样本的实际输出；b0和bj为待估计的模型参数。步骤五：通过求解NLP问题建立子集模型，计算个体适应度值fval。其中，BICtrain表示基于训练集BIC准则的值，MSEver表示基于验证集MSE准则的值。步骤六：计算出种群中所有个体的适应度，并保留适应度最优个体，共R个；其余个体进行交叉和变异操作。步骤七：本轮遗传迭代结束后，求出最佳个体，转到步骤二，开始新一轮的迭代；每一轮求出的最佳个体与上一轮求得的最佳个体比较，较优个体留下。步骤...

【专利技术属性】
技术研发人员：陈伟锋，郭明，应时彦，张贵军，余世明，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33