[发明专利]一种集成多工况分析的化工生产过程质量预测方法

权利要求书

1.一种集成多工况分析的化工生产过程质量预测方法，其特征在于，步骤如下：

(1)将数据集划分为训练集、验证集和测试集；

构建化工生产过程数据和生产装置数据的数据集；面向化工生产过程和化工生产装置分别选取33个过程变量和7个测量变量对生产产品的产品质量进行预测分析，并将数据集随机划分为训练集、验证集和测试集；

(2)基于粒子群优化的极限学习机构建候选子模型；

训练集通过Bootstrap采样生成若干子训练集，针对生成的子训练集建立ELM模型，并通过粒子群优化得到各子训练集的最优权值和阈值，获得最优的ELM模型网络结构，得到候选子模型；

ELM模型的输出表示为：

其中，x_i指的是第i个输入变量，w_i是输入层和隐含层的连接权值，b_i为隐含层神经元阈值，g为激活函数；

输入层和隐含层的连接权值、隐含层的阈值随机设定，且设定后不用再调整；隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定；神经元网络的输出表示为：

Hβ＝T         (2)

反解得：β＝H⁺T(3)

其中，H为隐含层的输出矩阵，H⁺为H的广义逆矩阵，T为已知的输出矩阵；

针对ELM模型设置参数的随机性，将连接权值和阈值随机设定，再不断迭代更新，寻找最优值；在每一次迭代中，粒子通过跟踪两个“极值”来进行更新；第一个就是粒子本身所找到的最优解，即个体极值P；另一个极值是整个种群目前找到的最优解，这个极值是全局极值G；在找到这两个“极值”后，粒子通过下面的公式来更新自己的速度和位置：

其中，v和x分别是粒子的速度和位置，W表示惯性系数，r₁和r₂表示在(0,1)内均匀分布的随机数，C₁和C₂是学习因子，通常默认设定C₁＝C₂＝2；表示在第t步迭代中第i个粒子第d维所找到的个体极值，表示在第t步迭代中第i个粒子第d维所找到的个体极值；

(3)利用遗传算法基于验证集进行模型的选择；

针对训练集所建立的候选子模型，基于验证集来比较各个子训练集的子模型所表现的预测精度，选取使验证集预测精度最好的子模型用于测试集进行集成，具体实现如下：

对每个子学习器赋予初始权值，根据评测的标准，选择衡量预测精度的量作为遗传算法的适应度函数；基于验证集，利用遗传算法来优化目标函数得到最优权重向量，将其和所设定的阈值相比，保留大于阈值的子模型；

选择性集成过程表示为如下优化问题：

其中，E_rmse表示选择性集成的均方根误差，k表示验证样本集的数量，y表示验证样本的真值，表示验证样本的估计值，n_mod为选择的子模型的数量，N_mod为模型的总数量，为代表模型重要程度的权值；l为对应的模型，即y^l是模型的实际输出值，是对应模型的预测值；

(4)选定子模型之后，利用简单平均集成求得所预测的结果；

对于集成学习在回归预测中的使用主要分为两步，即子模型的建立以及预测结果的集成，在子模型建立及选择完毕之后，将各个模型的预测结果进行集成。