[发明专利]基于协同训练极限学习机模型的半监督软测量方法

摘要

本发明公开了一种基于协同训练极限学习机半监督软测量的方法，它是由协同训练算法和极限学习机模型组成；协同训练算法迭代调用极限学习机模型最终实现软测量模型的建立；本发明可以有效的解决有标签样本少、无标签样本多导致的软测量建模不准的问题，从而建立准确的半监督软测量模型。

主权项

一种基于协同训练极限学习机模型的工业过程软测量建模方法，其中，所述的极限学习机模型分为三层，第一层为输入层，第二层为隐藏层，第三层为输出层，输入层到隐藏层的权重和偏置分别为ω和b，隐藏层到输出层的权重为β，其输入变量为x，输出变量为y，预测值为所述的极限学习机建模过程为：首先计算出隐藏层神经元的输出H，H＝σ(ωx+b)，ω和b都是随机赋值，σ表示非线性激活函数，这里采用sigmoid函数；再根据求出β，其中表示H的广义逆，从而完成极限学习机建模过程。所述的软测量建模方法步骤如下：步骤一：收集历史工业过程的数据组成建模用的训练数据集，所述的训练数据集既包括包含主导变量也包含辅助变量的有标签数据集L，L∈Rn×d，也包括仅包含辅助变量的无标签数据集U，U∈RN×M，n表示有标签数据集的数据样本个数，d表示过程变量个数，R为实数集，N表示无标签数据集的数据样本个数，M表示无标签数据集的辅助变量的个数；步骤二：将步骤一中收集到的训练数据集标准化，将过程变量化成均值为0，方差为1的新的数据集和步骤三：建立数据集L1和L2，利用L1数据集建立初始的极限学习机模型ELM1，利用L2数据集建立初始极限学习机模型ELM2；步骤四：利用协调训练算法更新模型的有标签数据集L1和L2；从标准化后的无标签数据集中按照一定比例随机挑选出部分数据集构成无标签数据集U'，不断迭代使用无标签数据集U'中的数据，利用协同训练算法更新两个极限学习机模型的有标签数据集L1和L2；当达到规定的迭代次数或是无法找出置信度最高的样本时，停止迭代，输出新的有标签样本L′1和L′2；步骤五：利用L′1和L′2分别训练两个极限学习机模型ELM1和ELM2，得到最终模型的预测值最其中为极限学习机ELM1的预测值，为极限学习机ELM2的预测值；步骤六：收集新的工业过程数据，重复步骤一至二；步骤七：将处理后的新的过程数据代入训练好的极限学习机模型中，得到主导变量的预测值，从而实现过程的监测和控制。