[发明专利]基于局部加权贝叶斯网络的自适应软测量预测方法

摘要

本发明公开一种基于局部加权贝叶斯网络的自适应软测量预测方法，该方法充分发挥贝叶斯网络和局部加权学习的优势，对每个待预测的新样本建立局部模型，一旦预测完成后，立即丢弃该模型，当下一个样本到来时，重新建立新的局部模型。相比于其他现存方法，本发明采用贝叶斯网络作预测，能给出预测值的置信水平和置信区间，尤其是当训练样本和测试样本存在不同程度缺失的情况下，该方法有良好的预测效果。

主权项

1.一种基于局部加权贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x₁；x₂；…；x_n]∈R^n×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y₁；y₂；…y_n]∈R^n×1；步骤二：从历史数据集中选择建立贝叶斯网络模型的样本，具体如下：(a)新来一个输入样本x_q，选择与该样本最相近的K个样本，即计算历史数据中的第n个输入样本x_n与x_q的欧式距离d_n，并对计算出的欧式距离进行排序，选出欧式距离最小的K个样本，其中欧式距离的计算公式如下：(b)计算(a)中挑选出的K个样本的权重，计算公式如下：其中，表示位置参数，通常在0‑1之间取值；σ_d表示公式(1)中求得的欧式距离的标准差；(c)获得训练数据：将(a)中选出的K个样本分别乘以公式(2)计算得到的各自的权重，作为局部加权处理后的训练数据，公式如下：(d)计算(c)中处理后训练数据输入、输出的均值，按如下方式计算：步骤三：用选出的K个样本建立贝叶斯网络，得到预测结果，具体如下：(a)对数据进行标准化处理：用步骤二得到的输入输出均值分别对步骤二中得到的作标准化化处理；(b)根据专家知识，将所有输入变量作为贝叶斯网络的父节点，待预测的输出变量作为子节点，各父节点与子节点间用一根带箭头的线连接，箭头指向子节点，各父节点间没有线直接相连，从而得到贝叶斯网络的结构；(c)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将(a)中的标准化后数据放入贝叶斯网络中进行参数学习，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；(d)根据上步参数学习的结果，获得步骤(b)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络；(e)将待预测的输入样本x_q去中心化处理后，作为证据添加进(d)中建立的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出的均值和方差；将均值作为预测值，并计算实际测量真值y与预测值y_q的误差。步骤四：一旦完成预测后，当前模型被丢弃，当下一个新样本x′_q到来时，重复步骤二和三，建立新的贝叶斯网络模型，得到y′_q的预测值和预测误差。