[发明专利]基于动态贝叶斯网络的模糊PLS建模方法

权利要求书

1.基于动态贝叶斯网络的模糊PLS建模方法，其特征在于，所述建模方法包括以下步骤：

S1.数据预处理：对输入数据X及输出数据Y进行标准化，通过数据的标准化消除数据的量纲；并划分数据为训练集与测试集，将训练集用于模型的构建及训练，测试集用于对模型的评估；

S2.构建FPLS潜变量模型，在PLS的基础上引入Takagi-Sugeno-Kang,TSK模糊规则及模糊C均值算法Fuzzy C-means,FCM来构建FPLS模型，同时提取所述FPLS潜变量模型中所含信息量较多的潜变量；

S3.构建动态模型：对FPLS潜变量模型中提取的潜变量，通过增广矩阵的方式实现动态模型的构建；

S4.构建动态贝叶斯网络的模糊PLS建模方法Dynamic-Fuzzy Partial LeastSquares-Bayesian networks,D-FPLS-BN模型：将通过增广矩阵拓展后的数据作为贝叶斯网络的输入，构建贝叶斯网络。

2.根据权利要求1所述的基于动态贝叶斯网络的模糊PLS建模方法，其特征在于，步骤1中的数据来源于废水处理数据，输入数据X包含体现废水污染度的相关数据，输出数据Y为在废水出水口监测的污染物指标。

3.根据权利要求1所述的基于动态贝叶斯网络的模糊PLS建模方法，其特征在于，所述步骤S2的具体过程为：

S21：使用偏最小二乘模型对输入数据X与输出数据Y作如下分解：

式中，t和u分别为X和Y的潜变量，p和q为对应的负载变量，E和F为对应的残差矩阵；

S22：计算第h对特征向量t_h,u_h：

t_h＝E_h-1w_h (4)

u_h＝F_h-1c_h (7)

S23：计算高斯隶属度函数聚类中心：

其中c_i(i＝1,2…,L)为聚类中心；

S24：将数据聚类为L类后，对每类数据建立子模型，定义输入变量为x＝[x₁x₂…x_r]^T，模型参数b_i＝[b_i0b_i1…b_ir]^T；

S241：TSK模糊函数定义为：

式中，G_i为标准化触发强度；

S242：标准化的触发强度G_i及第i个模糊规则的高斯触发强度τ_i计算公式分别为：

式中，i＝1,2,…,L，c_ir为第i个高斯隶属度函数的聚类中心，σ_i为隶属度函数的宽度。

S243：隶属度函数的宽度σ_i的计算采用最邻近方法：

其中，c_i及c_l分别为两个最邻近的聚类中心，l＝1,2,…,n。

S244：计算L类个TSK子模型的总输出：

S245：最小化目标函数J_G：

4.根据权利要求1所述的基于动态贝叶斯网络的模糊PLS建模方法，其特征在于，所述步骤S3的具体过程为：

S31：提取FPLS潜变量模型中的得分矩阵T，根据累计方差贡献率选择潜变量个数；

S32：动态模型构建如下：

设原始FPLS潜变量模型的输入矩阵为X：

将选择的潜变量进行增广矩阵的拓展，并引入时间滞后系数d，则增广矩阵X_i为：

式中，x(t)为某样本点，d为时间滞后系数。