System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及软测量,尤其涉及一种基于自适应稀疏bls的污水处理过程软测量方法及系统。
技术介绍
1、复杂工业过程中,需要对与产品质量及生产安全密切相关的关键质量变量进行实时测量,以满足工业过程控制要求,但部分关键质量变量难以直接或实时测量,因此软测量技术应运而生。软测量技术能够利用工业过程中的易测辅助变量对难测主导变量进行实时有效估计,在流程制造业和过程控制领域得到广泛应用。例如,污水处理过程中需要获知许多难测质量变量,以确保其排放符合国家排放标准。
2、复杂工业过程中的过程变量通常具有多特征耦合的特点,即同一个过程变量中可能包含多种不同特征信息。良好的特征表示对模型预测性能至关重要。传统bls采用lasso稀疏解特性进行特征选择。然而,lasso不具备自动组效应,即当变量特征相关度较高时,其难以对同类相关特征进行组合提取,即在对权重进行稀疏优化时,其通常会保留相关性最高的一个特征,因此可能会导致模型性能降低。bls模型性能在较大程度上依赖其网络结构,合适的隐层节点设置是构建预测模型的关键。节点不足会降低模型学习能力,导致其难以完全挖掘数据特征,影响模型预测精度。因此,实际建模过程中,为充分提取变量特征信息,保证模型逼近及泛化性能,通常设置过量节点。然而,随着节点数的不断增加,会产生节点冗余问题。节点冗余不仅会增加模型复杂度,降低其运算效率,还可能导致模型过拟合。传统bls及其改进算法中的节点设置一般采用网格搜索法确定,但其计算成本较高且较为依赖先验知识。因此,合理高效的节点选择也是bls建模过程中亟待解决的难题。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题,提出了本专利技术。因此,本专利技术提供了一种基于自适应稀疏bls的污水处理过程软测量方法解决复杂工业过程非线性及变量多特征耦合导致模型复杂度增加及性能降低的问题。
3、为解决上述技术问题,本专利技术提供如下技术方案:
4、第一方面,本专利技术提供了一种基于自适应稀疏bls的污水处理过程软测量方法,包括:
5、获取污水处理过程数据,进行预处理得到第一数据集;
6、将第一数据集输入宽度学习系统,映射成初始特征节点,利用迹lasso对初始特征矩阵中的增广矩阵进行自适应稀疏化处理;
7、将初始特征节点级联得特征节点组,将所述特征节点组连接到增强节点层形成增强节点,对所述增强节点引入dropout机制灭活部分节点,级联得到增强节点组;
8、将所述特征节点组和增强节点组进行级联,利用lasso优化宽度学习系统结构得到输出权值,建立tl-bls的污水处理过程软测量预测模型。
9、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:获取污水处理过程数据,进行预处理得到第一数据集,包括,
10、污水处理过程中的目标变量包括出水bod5,出水cod和出水悬浮固体浓度;
11、对所述污水处理过程数据进行缺失值、异常值处理及数据标准化。
12、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:将第一数据集输入宽度学习系统,映射成初始特征节点,利用迹lasso对初始特征矩阵中的增广矩阵进行自适应稀疏化处理,包括,
13、利用宽度学习系统求解特征窗口的特征节点,
14、特征节点矩阵表示为:
15、a1=k1we
16、其中,a1为特征节点矩阵,k1为输入数据的增广矩阵,we为按照均匀分布生成的随机权重矩阵。
17、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:还包括,
18、采用迹lasso对k1稀疏化,表示为:
19、
20、其中,为一个函数在其定义域中取得最小值的参数值,a1为特征节点矩阵,为矩阵的奇异值之和,为以系数向量的各个分量为对角元素的对角阵,λt为正则化参数,λt>0;
21、利用共轭梯度法求解迹lasso对k1稀疏化公式,迭代至收敛所需次数k≤n+1。
22、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:将初始特征节点级联得特征节点组,将所述特征节点组连接到增强节点层形成增强节点,对所述增强节点引入dropout机制灭活部分节点,级联得到增强节点组,包括,
23、通过dropout机制,随机灭活一定数量的增强节点,设定被灭活的增强节点数量为d(d<m),使用灭活因子向量r,
24、表示为:
25、r=bernoulli(p),p=d/m
26、其中,m为增强节点数,p为bernoulli(·)函数生成元素1的概率,r为灭活因子向量;
27、通过dropout机制处理后的增强节点表示为:
28、hm=ξ(znwhj+βhj)·r,j=1,2,…,m
29、其中,ξj是非线性激活函数,whj为权重,βhj为偏置项。
30、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:将所述特征节点组和增强节点组进行级联,利用lasso优化宽度学习系统结构得到输出权值,建立tl-bls的污水处理过程软测量预测模型,包括,
31、利用lasso求解输出权值,
32、表示为:
33、
34、其中,为一个函数在其定义域中取得最小值的参数值,y为系统输出变量,λl为正则化参数,λl>0,为系数向量,a=[zn,hm]表示系统状态方程。
35、作为本专利技术所述的基于自适应稀疏bls的污水处理过程软测量方法的一种优选方案,其中:还包括,
36、利用交替方向乘子法将lasso求解输出权值公式转化为一般问题,通过以下迭代步骤解决,
37、第k+1次迭代表示为:
38、
39、其中,i为单位矩阵,a=[zn,hm]表示系统状态方程,at为a的转置矩阵,ρ>0为收缩系数,s是软阈值运算符号,ω为待求解变量。
40、第二方面,本专利技术提供了一种基于自适应稀疏bls的污水处理过程软测量的系统,包括,
41、数据预处理模块,用于获取污水处理过程数据,进行预处理得到第一数据集;
42、迹lasso稀疏模块,用于将第一数据集输入宽度学习系统,映射成初始特征节点,利用迹lasso对初始特征矩阵中的增广矩阵进行自适应稀疏化处理;
43、dropout机制模块,用于将初始特征节点级联得特征节点组,将所述特征节点组连接到增强节点层形成增强节点,对所述本文档来自技高网...
【技术保护点】
1.一种基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,包括:
2.如权利要求1所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,获取污水处理过程数据,进行预处理得到第一数据集,包括,
3.如权利要求1或2所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,将第一数据集输入宽度学习系统,映射成初始特征节点,利用迹LASSO对初始特征矩阵中的增广矩阵进行自适应稀疏化处理,包括,
4.如权利要求3所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,还包括,
5.如权利要求4所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,将初始特征节点级联得特征节点组,将所述特征节点组连接到增强节点层形成增强节点,对所述增强节点引入Dropout机制灭活部分节点,级联得到增强节点组,包括,
6.如权利要求5所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,将所述特征节点组和增强节点组进行级联,利用LASSO优化宽度学习系统结构得到输出权值,建立TL-BLS的污水处理
7.如权利要求4或6所述的基于自适应稀疏BLS的污水处理过程软测量方法,其特征在于,还包括,
8.一种基于自适应稀疏BLS的污水处理过程软测量的系统,其特征在于,包括,
9.一种电子设备,包括:
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于自适应稀疏BLS的污水处理过程软测量方法的步骤。
...【技术特征摘要】
1.一种基于自适应稀疏bls的污水处理过程软测量方法,其特征在于,包括:
2.如权利要求1所述的基于自适应稀疏bls的污水处理过程软测量方法,其特征在于,获取污水处理过程数据,进行预处理得到第一数据集,包括,
3.如权利要求1或2所述的基于自适应稀疏bls的污水处理过程软测量方法,其特征在于,将第一数据集输入宽度学习系统,映射成初始特征节点,利用迹lasso对初始特征矩阵中的增广矩阵进行自适应稀疏化处理,包括,
4.如权利要求3所述的基于自适应稀疏bls的污水处理过程软测量方法,其特征在于,还包括,
5.如权利要求4所述的基于自适应稀疏bls的污水处理过程软测量方法,其特征在于,将初始特征节点级联得特征节点组,将所述特征节点组连接到增强节点层形成增强节点,对所述...
【专利技术属性】
技术研发人员:贾玉林,吴琳,黄亚元,江臣礼,
申请(专利权)人:无锡轻大百特环保工程有限公司,
类型:发明
国别省市:
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。