[发明专利]基于混合高斯分布相关学习机的玻璃窑炉温度预报方法

权利要求书

1.一种基于混合高斯分布相关学习机的玻璃窑炉温度预报方法，其特征在于，包括：

采集并处理与玻璃窑炉池底温度预报相关的生产历史数据；

设置混合高斯分布下鲁棒相关学习机相关变量的初始值；

根据所采集的生产历史数据，对混合高斯分布下鲁棒相关学习机进行训练，得到玻璃窑炉池底温度智能预报模型；

所述对混合高斯分布下鲁棒相关学习机进行训练，是按如下步骤进行的：

步骤1：所提出的混合高斯分布下鲁棒相关学习机方法的模型假设为：

其中，参数w₁，w₂，...，w_N是基函数φ₁(x)，φ₂(x)，...，φ_N(x)的加权权重，w_N+1是模型的偏置项；基函数φ_n(x)＝k(x_n，x)，函数k(x_n，x)为高斯核函数，其表达式为：

下面用向量w表示[w₁，w₂，...，w_N+1]组成的向量，向量φ(x)表示[φ₁(x)，φ₂(x)，...，φ_N(x)，1]组成的向量，则模型可以表示为：

f(x；w)＝w^Tφ(x)；

步骤2：初始化模型参数w和误差隶属度参数r_nk；其初始化方法为：模型参数w可使用随机初始化的方法；在初始化误差隶属度参数r_nk时，对第n个训练样本，对r_n1，r_n2，…,r_nK,随机初始化其中的一个为1，其余为0；

步骤3：根据如下公式分别更新模型内部参数μ_w，∑_w，a_n，b_n，α_k，β_k，m_k，c_k，d_k，r_nk：

其中：

在上述各表达式中，符号<x>表示求变量x的期望；上述各式所需的期望通过以下各式进行计算：

<μ_k>＝m_k

其中，函数ψ(a)的表达式为：

其中，Γ表示伽马函数；

步骤4：计算下界函数：

其中，各个概率分布的定义为：

p(z_n：|π)＝Multinomial(z_n：|π)

p(π)＝Dir(π|α₀)

q(π)＝Dir(π|α)

q(τ)＝Gam(τ_k|c_k，d_k)

q(θ)＝Gam(θ_n|a_n，b_n)

其中，符号Gam，Dir，Multinomial分别表示正态分布，伽马分布，狄里克雷分布和多项式分布；

步骤5：判断训练过程是否收敛；如果未收敛，则继续迭代步骤3和步骤4；如果收敛，则停止迭代，所得模型参数w＝μ_w；判断收敛的准则为：下界函数的变化率小于停止迭代的条件参数tol或迭代次数超过最大迭代次数maxiter。