[发明专利]基于混合高斯分布相关学习机的玻璃窑炉温度预报方法

摘要

本发明涉及一种基于混合高斯分布相关学习机的玻璃窑炉温度预报方法，属于自动控制、信息技术和先进制造领域，其特征在于，针对玻璃窑炉温度预报所具有的玻璃窑炉内部反应过程复杂、数据存在复杂非对称噪声及输入变量中包含时间序列变量等建模难题，提出一种基于混合高斯分布下鲁棒相关学习机的玻璃窑炉温度预报方法。该方法采用核函数回归模型作为预报模型结构，使用非零均值混合高斯分布作为预报模型残差项的概率密度分布，将时间序列变量并列列出作为模型的输入变量，并采用贝叶斯推断方法获得模型结构参数的近似后验概率分布，从而获得预报模型的结构参数。本发明可有效应用于玻璃窑炉池底温度的预报，以提高玻璃窑炉控制和操作优化的效果。

主权项

1.一种基于混合高斯分布相关学习机的玻璃窑炉温度预报方法，其特征在于，包括：采集并处理与玻璃窑炉池底温度预报相关的生产历史数据；设置混合高斯分布下鲁棒相关学习机相关变量的初始值；根据所采集的生产历史数据，对混合高斯分布下鲁棒相关学习机进行训练，得到玻璃窑炉池底温度智能预报模型；所述对混合高斯分布下鲁棒相关学习机进行训练，是按如下步骤进行的：步骤1：所提出的混合高斯分布下鲁棒相关学习机方法的模型假设为：其中，参数w1，w2，...，wN是基函数φ1(x)，φ2(x)，...，φN(x)的加权权重，wN+1是模型的偏置项；基函数φn(x)＝k(xn，x)，函数k(xn，x)为高斯核函数，其表达式为：下面用向量w表示[w1，w2，...，wN+1]组成的向量，向量φ(x)表示[φ1(x)，φ2(x)，...，φN(x)，1]组成的向量，则模型可以表示为：f(x；w)＝wTφ(x)；步骤2：初始化模型参数w和误差隶属度参数rnk；其初始化方法为：模型参数w可使用随机初始化的方法；在初始化误差隶属度参数rnk时，对第n个训练样本，对rn1，rn2，…,rnK,随机初始化其中的一个为1，其余为0；步骤3：根据如下公式分别更新模型内部参数μw，∑w，an，bn，αk，βk，mk，ck，dk，rnk：其中：在上述各表达式中，符号表示求变量x的期望；上述各式所需的期望通过以下各式进行计算：<μk>＝mk其中，函数ψ(a)的表达式为：其中，Γ表示伽马函数；步骤4：计算下界函数：其中，各个概率分布的定义为：p(zn：|π)＝Multinomial(zn：|π)p(π)＝Dir(π|α0)q(π)＝Dir(π|α)q(τ)＝Gam(τk|ck，dk)q(θ)＝Gam(θn|an，bn)其中，符号Gam，Dir，Multinomial分别表示正态分布，伽马分布，狄里克雷分布和多项式分布；步骤5：判断训练过程是否收敛；如果未收敛，则继续迭代步骤3和步骤4；如果收敛，则停止迭代，所得模型参数w＝μ_w；判断收敛的准则为：下界函数的变化率小于停止迭代的条件参数tol或迭代次数超过最大迭代次数maxiter。