【技术实现步骤摘要】
基于半监督贝叶斯正则化混合Student
’
s t模型的鲁棒软测量方法
[0001]本专利技术属于工业过程预测和控制
，尤其是涉及一种基于半监督贝叶斯正则化混合Student
’
s t模型的鲁棒软测量方法。
技术介绍
[0002]在许多工业过程中，存在着一类由于技术缺陷或经济成本而难以测量的关键质量变量。然而，实时监测这些质量变量在工业过程中起着重要的作用，例如化学反应的平稳运行或反应产物的纯度。软测量本质上是质量变量和辅助变量(易于测量的变量)的数学描述，通过使用辅助变量提供质量变量的估计值，是解决质量变量实时测量的有效方法。由于无延迟和易于维护等优点，软测量在过去几十年中得到了广泛的研究和应用。
[0003]工业数据通常呈现出许多难以处理的特征，包括非线性，非高斯性，多模态特性，离群点等。非线性、非高斯性和多模态特性通常来源于复杂的过程机理、多种产品等级或运行阶段引起的多种工况/阶段、负载变化等。离群点主要是由于硬件传感器获得的一些工业过程变量的测量值不可避免地被错误地观...
【技术保护点】
【技术特征摘要】
1.一种基于半监督贝叶斯正则化混合Student
’
s t模型的鲁棒软测量方法，其特征在于，包括以下步骤：S1、收集历史工业过程中的有标签数据和无标签数据组成训练样本；x∈R
d
和y∈R分别表示d维输入变量和一维输出变量，和分别表示有标签数据集和无标签数据集，其中N1和N2分别表示有标签样本和无标签样本的个数；S2、将步骤S1收集到的数据集进行标准化处理，得到均值为0，方差为1的标准化数据集，记为集，记为表示有标签数据标准化后的输入变量，表示有标签数据标准化后的输出变量，表示无标签数据标准化后的输入变量；S3、初始化模型参数α
k
表示第k个组分的混合系数，μ
k
，Λ
k
，υ
k
分别表示第k个组分中输入变量对应的均值向量、精度矩阵和自由度参数，β
k
，分别表示第k个组分中输出变量与输入变量之间的回归系数和方差，λ
k
表示回归系数先验分布的精度；回归系数及其先验分布精度贝叶斯化，分布的精度；回归系数及其先验分布精度贝叶斯化，a0，b0是λ的先验分布的超参数；S4、采用变分贝叶斯期望最大化VBEM算法以迭代的方式进行参数学习；S5、利用学习到的模型参数实现对质量变量的预测。2.根据权利要求1所述的基于半监督贝叶斯正则化混合Student
’
s t模型的鲁棒软测量方法，其特征在于，所述步骤S4包括以下步骤：S41、VBE
‑
step:根据当前的模型参数，求解类别隐变量和中间隐变量的变分后验分布，以及回归系数和回归系数先验分布精度的后验分布，有标签样本和无标签样本的类别隐变量分别记为和其后验分布如下式其后验分布如下式其中，
有标签样本和无标签样本的中间隐变量分别记为和其后验分布如下式其后验分布如下式基于类别隐变量和中间隐变量的变分后验分布，可以计算得到数学期望如下式基于类别隐变量和中间隐变量的变分后验分布，可以计算得到数学期望如下式基于类别隐变量和中间隐变量的变分后验分布，可以计算得到数学期望如下式基于类别隐变量和中间...
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。