[发明专利]一种基于CSJITL-RVM的多时段间歇过程软测量建模方法

权利要求书

1.一种基于CSJITL-RVM的多时段间歇过程软测量建模方法，其特征在于：该方法包括以下步骤：

步骤一：假设间歇过程数据为{X(I×J₁×K),Y^l(I×J₂×K^l)}，包含标签数据{X^l(I×J₁×K^l),Y^l(I×J₂×K^l)}和无标签数据{X^u(I×J₁×K^u)}，其中I表示间歇过程批次数，J₁表示辅助变量个数，J₂表示质量变量个数，K^l表示标签数据个数，K^u表示无标签数据个数，K表示辅助变量的采样点个数，K^l+K^u＝K；将X按采样点方向展开，得到二维数据矩阵X_s(K×IJ₁)，并按列方向将其标准化为零均值和单位方差，得到用于时段划分的数据集

步骤二：采用一种综合过程数据空间相似性、时段相似性和时序相似性的CSJITL相似度因子，结合中的有标签数据和构建CSJITL局部预测模型的训练数据集，实现无标签数据的标签预测，将标签数据和预测的无标签数据相融合，得到用于时段软测量建模的训练数据集

步骤三：对于时段软测量建模的完整训练数据集针对第k个质量变量y，1≤k≤J₂，首先初始化RVM模型的超参数α_c和噪声方差设置高斯核宽度，其次根据式(1)和式(2)更新ω_c的后验均值μ_c和协方差矩阵Σ_c，

其中，为IK_c×(IK_c+1)的基函数矩阵，K(x,x_i)为高斯核函数，x_i为中第i个辅助变量，根据式(3)和式(4)更新超参数α和噪声方差σ²，直到超参数收敛或达到最大迭代次数，返回超参数α_c和噪声方差的最优解α_c,MP和

其中，γ_i＝1-α_iΣ_ii，α_i为α_c中第i个值，Σ_ii为Σ_c对角线上的第i个值，μ_i为μ_c中的第i个值，最后输出最终的后验均值μ_c和协方差矩阵Σ_c，得到基于CSJITL-RVM的离线时段软测量模型；ω_c为RVM模型的权重参数，α_c,MP和为RVM模型的最优超参数和噪声方差；

步骤四：对于在线数据x_test，根据其采样时刻判定其所属时段利用时段的软测量建模数据集的均值和方差对x_test进行标准化，得到标准化后的测试数据再利用时段对应的RVM模型对进行预测，得到的预测值为

预测值的预测方差为

质量变量的预测值与真实值y_test之间的误差大小利用均方根误差RMSE计算；表示间歇过程第个时段RVM模型的权重参数；表示间歇过程第个时段RVM模型的最优噪声方差。