一种基于协方差矩阵的主动学习方法技术

本发明专利技术公开了一种基于协方差矩阵的主动学习方法，其特征在于：包括，采集脱丁烷塔生产过程的丁烷浓度值，并将丁烷浓度值作软测量建模样本；将软测量建模样分为训练集和测试集，其训练集划分为有标签样本集和无标签样本集；利用有标签样本集建立高斯过程回归模型，并确定模型初参数；根据无标签样本集，选出构成协方差矩阵行列式值最大的样本；重新建立高斯过程回归模型，确定模型参数；利用测试集对丁烷浓度进行预测本发明专利技术通过数值仿真分析和脱丁烷塔过程的应用仿真，验证了基于协方差矩阵选择策略的有效性。

【技术实现步骤摘要】
一种基于协方差矩阵的主动学习方法
本专利技术涉及的于机器学习领域并应用于脱丁烷塔丁烷浓度的软测量，尤其涉及一种基于协方差矩阵的主动学习方法。
技术介绍
传统机器学习方法必须依赖大量信息完整的样本来构建模型，而在实际情况中，由于人工或环境条件限制，很难获得完整的样本信息，大部分的样本信息是缺失的；在这种情况下，如何利用少部分有标签样本和大量无标签样本来提升模型性能，成为机器学习研究的关键问题；若仅采用少量的标记样本训练模型，模型的预测精度和泛化能力很难达到理想效果；此外，忽略大量的无标签样本是对数据资源的浪费；因此，需对无标签样本进行标记，常用的算法有半监督学习和主动学习；半监督学习旨在利用有标签样本输入输出建模的基础上提取无标签样本中的有用信息，来达到提升回归精度的目的；然而传统的半监督学习方法虽然提升了模型性能，但可能会带来计算量的增加而且模型精度的提升效果很大程度上取决于半监督模型的结构。区别于传统半监督学习方法仅利用未标记样本来提升模型性能，主动学习借助专家知识，引入“人机协同”概念；将标记后的样本加入有标记样本集中进行监督学习；本文档来自技高网...

【技术保护点】
1.一种基于协方差矩阵的主动学习方法，其特征在于：包括。/n采集脱丁烷塔生产过程的丁烷浓度值，并将丁烷浓度值作软测量建模样本；/n将软测量建模样分为训练集和测试集，其训练集划分为有标签样本集和无标签样本集；/n利用有标签样本集建立高斯过程回归模型，并确定模型初参数；/n根据无标签样本集，选出构成协方差矩阵行列式值最大的样本；/n重新建立高斯过程回归模型，确定模型参数；/n利用测试集对丁烷浓度进行预测。/n

【技术特征摘要】
1.一种基于协方差矩阵的主动学习方法，其特征在于：包括。
采集脱丁烷塔生产过程的丁烷浓度值，并将丁烷浓度值作软测量建模样本；
将软测量建模样分为训练集和测试集，其训练集划分为有标签样本集和无标签样本集；
利用有标签样本集建立高斯过程回归模型，并确定模型初参数；
根据无标签样本集，选出构成协方差矩阵行列式值最大的样本；
重新建立高斯过程回归模型，确定模型参数；
利用测试集对丁烷浓度进行预测。


2.如权利要求1所述的基于协方差矩阵的主动学习方法，其特征在于：所述训练集的有标签样本集和无标签样本集分别为和
其中，nl和nu分别为有标记样本和无标记样本个数，n为辅助变量个数。


3.如权利要求2所述的基于协方差矩阵的主动学习方法，其特征在于：所述高斯过程回归模型采用高斯协方差函数；
其中，高斯协方差函数公式如下：



其中，l为方差尺度，σf2为信号方差，Xi和Xj表示为输入变量，δij表示为噪声标准差，i＝j，dij＝1否则dij＝0。


4.如权利要求3所述的基于协方差矩阵的主动学习方法，其特征在于：所述高斯过程回归模型的超参数为θ＝{σf2,l2}；
其中，最优超参数采用极大似然估计和共轭梯度下降法获得。


5.如权利要求4所述的基于协方差矩阵的主动学习方法，其特征在于：所述高斯过程回归模型的均值和方差通过式(2)得到：



其中，K(X*,X*)为待测样本自身协方差矩阵，K(X,X*)为待测样本与标记样本的协方差矩阵，K(X,X)为标记样本自身协方差矩阵。


6.如权利要求5所述的基于协方差矩阵的主动学习方...

【专利技术属性】
技术研发人员：熊伟丽，周博文，马君霞，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32