[发明专利]一种玻璃黏度预测方法及系统

权利要求书

1.一种玻璃黏度预测方法，其特征在于，包括：

采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；

在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模：

y_i(t)＝μ(t)+τ_i(t)+∈_i(t)i＝1，...，n

其中y_i(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τ_i(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈_i(t)为随机误差项；

在高斯过程的假设下，模型有以下结构：

μ(t)＝B^rμ_β

τ_i(t)～GP(0，X(·，·；θ))

其中B为样条基函数，μ_β为在样条基函数下的回归系数，C(·，·；θ)为非线性核函数，为核函数中的参数，x_i(t)为自变量，为随机误差项中的方差；接下来给出依据所有玻璃黏度数据的似然函数：

其中y(t)＝(y₁(t)，...，y_n(t))，m为温度t的重复观测次数，I是维数为m的单位阵，使用EM算法进行参数估计，得到估计的参数集合

根据参数集合对新玻璃样本的黏度进行估计，即可转化为一个条件期望问题：

其中y⁰(t)为待预测的新玻璃样本；

对于固定效应项，采用B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；

使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测；

选择五个B样条基函数对固定效应项进行展开，每一条曲线对应着每条样条B基函数，为B样条基函数，其中

其中，t为温度范围，t∈[1100，1400]；i＝1，2，...5；k为阶数，取k＝3；n为控制点个数，取n＝5；{t₀，t₁，...t_m}为节点向量，m＝n+k+1。

2.根据权利要求1所述的玻璃黏度预测方法，其特征在于，在建模前需要对数据进行预处理：对于数据缺失的样本，直接删除该样本；对于其他数据，使用分位数检验的方法，剔除位于特定分位点外的样本。