一种基于回归分析的学科预测算法制造技术

本发明专利技术公开了一种基于回归分析的学科预测算法，包括：基于系统初始采样数据序列计算系统线性回归预测模型的初始模型系数，并记录；随系统采样点的每次增加获取新的系统采样数据序列，确定增加的系统采样点数据和减少的系统采样点数据；基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，作为每次系统采样点增加对应的模型系数并记录。本发明专利技术可避免计算过程中对服务器资源的大量占用，提高系统线性回归模型系数计算的效率，保障对线性回归模型系数计算的实时性。

A discipline prediction algorithm based on regression analysis

【技术实现步骤摘要】
一种基于回归分析的学科预测算法
本专利技术涉及计算机数据分析处理
，特别涉及一种基于回归分析的学科预测算法。
技术介绍
实际工业系统在运行过程中，有状态监控子系统记录系统中关键设备的运行参数，这些参数通常是温度、压力、流量、电流、电压等数据。而在对系统进行分析优化的过程中，通常更关心组件性能衰减、预期收益、运维计划等数据。这些数据并不能从监控子系统获取的数据中直观获得，而体现在这些数据的长期变化趋势中。基于对系统原理的分析，可以对系统进行线性化或者局部线性化，获得系统参数数据间的简单线性表示形式，即系统的线性模型。根据系统原理，模型中的系数与系统组件性能、转换效率，维护阈值等直接相关。因此，根据模型系数的长期变化趋势，即可实现对系统性能衰减评估、远期收益预测、运维节点优化等工作。线性化后的系统模型可记为YT＝WTX，其中X＝[X1X2...Xn]为若干采样点的系统输入，YT＝[y1y2...]为对应采样点模型预测的系统输出，W为模型系数。实际系统中，在不同的采样点可以得到不同的实际系统输入和输出参数数值，带入到模型中构成一本文档来自技高网...

【技术保护点】
1.一种基于回归分析的学科预测算法，其特征在于，包括以下步骤：/nS1，基于预设的数据窗口长度，获取系统初始采样数据序列，利用初始采样数据序列计算系统线性回归预测模型的模型系数，并记录；/nS2，获取增加的系统采样点数据，基于预设的数据窗口长度，形成新的系统采样数据序列；确定新的系统采样数据序列较初始采样数据序列所增加的系统采样点数据和减少的系统采样点数据；/nS3，基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，并记录；/nS4，随系统采样点的增加重复步骤S2至步骤S4，得到每次采样点数据增加、采样数据序...

【技术特征摘要】
1.一种基于回归分析的学科预测算法，其特征在于，包括以下步骤：
S1，基于预设的数据窗口长度，获取系统初始采样数据序列，利用初始采样数据序列计算系统线性回归预测模型的模型系数，并记录；
S2，获取增加的系统采样点数据，基于预设的数据窗口长度，形成新的系统采样数据序列；确定新的系统采样数据序列较初始采样数据序列所增加的系统采样点数据和减少的系统采样点数据；
S3，基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，并记录；
S4，随系统采样点的增加重复步骤S2至步骤S4，得到每次采样点数据增加、采样数据序列变化后的模型系数，并记录。


2.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，还包括步骤S5，基于已记录的模型系数对系统性能的变化进行分析。


3.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，步骤S1中，对于系统模型YT＝WTX，Y为对应采样输入量X的系统输出量，W为模型系数，则有中间矩阵CN＝(XXT)-1，模型系数WNT＝YTXTCN。


4.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，步骤S1中，对于系统模型YT＝WTX，Y为对应采样输入量X的系统输出量，W为模型系数，则有中间矩阵CN＝(XXT+λI)-1，λ为岭回归系数，I为单位矩阵，当前模型系数矩阵WNT＝YTXTCN。


5.根据权利要求3或4所述的一种基于回归分析的学科预测算法，其特征在于，基...

【专利技术属性】
技术研发人员：贾新志，
申请(专利权)人：上海骥灏网络股份有限公司，
类型：发明
国别省市：上海;31