[发明专利]面向流式大数据的并行概率变分软测量建模方法

摘要

本发明公开了一种面向流式大数据的并行概率变分软测量建模方法，该方法在原始的变分有监督因子分析模型的基础上，分别引入流式更新方法和对称相对熵，根据实际流式大数据的变化而实时更新模型参数的后验分布和决定先验分布的选择，从而实现模型的自适应更新，并结合并行计算策略，进一步提高模型更新效率；本发明能够针对实时性要求较高的流式大数据场景，在一定程度上改善了模型性能，并结合并行计算策略提高了模型更新效率，达到了面对流式大数据自适应软测量的目的。

主权项

1.一种面向流式大数据的并行概率变分软测量建模方法，其特征在于，所述并行概率变分软测量建模方法步骤如下：(1)初始化先验超参数a，b，ρ，变分超参数λ和τ，并收集历史工业过程中的训练数据F_nm＝[X，Y]^T，F_nm∈R^N×M，N表示样本个数，M表示过程变量个数，R表示实数集；(2)将训练数据F分为Z个数据块，并通过下式计算求得变分超参数λ和τ：其中，表示隐变量，t的均值，表示隐变量t的方差，τ_m表示噪声方差，<W_m>表示负载矩阵W_m的期望，<μ_m>表示均值μ_m的期望且F_mn表示训练数据，I表示单位矩阵，L为并行计算的参数部分。其中，表示负载矩阵W_m的均值，表示负载矩阵W_m的方差，<t_n>表示隐变量t的期望即diag<α>表示α的对角矩阵，S为并行计算的参数部分。其中，和表示α的参数，其中，表示μ_m均值，表示μ_m方差，H为并行计算的参数部分。其中，Q为τ_m并行计算的参数部分。(3)将步骤(2)中Z个数据块中的变分超参数λ和τ整合，并不断保持参数更新直到最大变分上界收敛或者迭代次数达到最大并得到后验分布q(θ)，其中如下式所示：其中，E_q(Θ)表示参数期望，lnp(F，Θ)表示联合概率分布的对数似然，lnq(Θ)变分参数概率分布的对数似然；(4)当新过程变量X_new到来时，隐因子可由下式得到：其中，λ_t表示隐因子的期望，τ_x表示x上噪声方差，<W_x>表示x上负载矩阵的期望，<μ_x>表示x上均值的期望；那么软测量预测结果为：其中，<W_y>表示y上负载矩阵的期望，<μ_y>表示y上均值的期望；(5)当质量变量Y_new的输出获得时得到新训练数据F_new＝(X_new，Y_new)，将步骤(3)得到的后验分布q(θ)作为此次的先验分布，并将新训练数据再次分为Z个数据块，通过下式并行计算策略求得L，S，Q，H更新参数t，W，μ，τ，其中参数W，μ的更新公式变更为：这里，λ^*表示通过计算新训练数据F_new得到的后验分布。(7)对上述数据块Z求得的参数进行整合并不断更新参数直到更新模式下的最大变分上界收敛或者迭代次数达到最大，其中为：(7)通过下式计算新旧分布之间的对称相对熵：当结果KL(old，new)小于设定的阈值SKL_ts时，通过步骤(5)和(6)更新参数；否则，初始化参数λ的先验；(8)当有新数据集获得时，重复步骤(4)‑(7)，从而实现自适应并行软测量。