[发明专利]基于独立子空间虚假邻点判别的混合辅助变量的分离及降维

摘要

本发明公开了基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于按如下步骤进行：一、确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量取值数据并组成样本集；二、通过独立子空间虚假邻点判别，分别计算n个原始辅助变量的权重值；三、组成原始辅助变量序列；四、利用最小二乘回归方法进行建模，并根据最小均方误差MSE确定最佳辅助变量；五、得到分离后的独立信号软测量模型。本发明能够在建模效果最佳的基础上找出含混合辅助变量的变量集进行分离，实现其降维，达到对辅助变量信息的精简，同时降低模型复杂度，提高软测量实效性的目的。

主权项

基于独立子空间虚假邻点判别的混合辅助变量的分离及降维，其特征在于按如下步骤进行：步骤一：确定与主导变量可能相关的n个原始辅助变量，采集n个原始辅助变量和主导变量的取值，组成样本集，样本集大小为m；将n个原始辅助变量数据写成矩阵X＝[x1，…，xi，…xm]T形式，主导变量数据写成矩阵Y＝[y1，…，yi，…，ym]T，其中，xi∈Rn×1，yi∈R，i＝1，2，…，m，并将X，Y进行标准化处理；步骤二：基于独立子空间虚假邻点判别的方法，主要是在独立成分分析ICA(Independent Components Analysis)的基础上，借助虚假最近邻点FNN(False Nearest Neighbors)方法，分别计算n个原始辅助变量的权重值；步骤三：按照权重值，将n个原始辅助变量组成原始辅助变量序列；步骤四：确定最佳辅助变量集；步骤五：以步骤四中对应的最佳辅助变量集为自变量对系统进行最小二乘回归建模，得到混合辅助变量的分离及降维模型。