-
公开(公告)号：CN104699894B
公开(公告)日：2017-07-28
申请号：CN201510038932.X
申请日：2015-01-26
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于实时学习的高斯过程回归多模型融合建模方法。用于复杂多变的多阶段性的化工过程。该方法是一种在线不断更新的多模型策略。用高斯混合模型对过程的不同阶段进行辨识，并采用一种自适应实时学习方法，不断更新所建立的高斯过程回归模型。当新的数据到来时，在每个不同的阶段，基于欧式距离和角度原则选择部分相似的数据，用于建立局部的高斯过程回归模型。最终根据计算得到的新的数据隶属于每个不同阶段的后验概率，对局部模型进行融合输出。能够对关键变量进行精确预测，从而提高产品质量，降低生产成本。
-
Patent Agency Ranking
公开(公告)号：CN105205224A
公开(公告)日：2015-12-30
申请号：CN201510541727.5
申请日：2015-08-28
Applicant: 江南大学
IPC: G06F17/50
CPC classification number: G06N5/048
Abstract: 本发明公开了一种基于模糊曲线分析的时间差高斯过程回归软测量建模方法，适合应用于具有时滞特性的化工过程。本方法能够从过程历史数据库中提取稳定的时滞信息，引入与主导变量序列更加相关的建模数据。首先，基于模糊曲线分析(FCA)的方法直观判断输入序列对于主导序列的重要性，估计过程时滞参数，用离线条件的时滞参数集对建模数据重构；对于新输入数据，基于一定时刻之前的历史变量值，采用时间差-高斯过程回归(TDGPR)模型对当前时刻主导变量值在线预测，该方法不存在模型更新的问题，可以很好地追踪输入输出漂移。本发明方法相比于稳态建模方法能够对关键变量进行更精准的预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN105205224B
公开(公告)日：2018-10-30
申请号：CN201510541727.5
申请日：2015-08-28
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于模糊曲线分析的时间差高斯过程回归软测量建模方法，适合应用于具有时滞特性的化工过程。本方法能够从过程历史数据库中提取稳定的时滞信息，引入与主导变量序列更加相关的建模数据。首先，基于模糊曲线分析(FCA)的方法直观判断输入序列对于主导序列的重要性，估计过程时滞参数，用离线条件的时滞参数集对建模数据重构；对于新输入数据，基于一定时刻之前的历史变量值，采用时间差‑高斯过程回归(TDGPR)模型对当前时刻主导变量值在线预测，该方法不存在模型更新的问题，可以很好地追踪输入输出漂移。本发明方法相比于稳态建模方法能够对关键变量进行更精准的预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN104778298A
公开(公告)日：2015-07-15
申请号：CN201510038931.5
申请日：2015-01-26
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于EGMM的高斯过程回归软测量建模方法。用于复杂多变、噪声非高斯性的化工过程。工业过程建立的软测量预测模型往往会产生预测误差，然而模型预测误差常常包含了丰富的有用信息，因此可以从这些预测误差中提取信息用于对模型的输出进行补偿，从而改进所建立的软测量模型。首先，选择合适的变量组成误差数据，优化得到合适的高斯成分的个数；然后用EGMM对误差数据进行拟合；当新的数据到来时，用建立的GPR模型进行预测输出，并通过EGMM模型求得条件误差均值，对输出进行补偿得到更加精确的结果。能够对关键变量进行更加精确的预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN104778298B
公开(公告)日：2017-09-19
申请号：CN201510038931.5
申请日：2015-01-26
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于EGMM的高斯过程回归软测量建模方法。用于复杂多变、噪声非高斯性的化工过程。工业过程建立的软测量预测模型往往会产生预测误差，然而模型预测误差常常包含了丰富的有用信息，因此可以从这些预测误差中提取信息用于对模型的输出进行补偿，从而改进所建立的软测量模型。首先，选择合适的变量组成误差数据，优化得到合适的高斯成分的个数；然后用EGMM对误差数据进行拟合；当新的数据到来时，用建立的GPR模型进行预测输出，并通过EGMM模型求得条件误差均值，对输出进行补偿得到更加精确的结果。能够对关键变量进行更加精确的预测，从而提高产品质量，降低生产成本。
-
公开(公告)号：CN104699894A
公开(公告)日：2015-06-10
申请号：CN201510038932.X
申请日：2015-01-26
Applicant: 江南大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于实时学习的高斯过程回归多模型融合建模方法。用于复杂多变的多阶段性的化工过程。该方法是一种在线不断更新的多模型策略。用高斯混合模型对过程的不同阶段进行辨识，并采用一种自适应实时学习方法，不断更新所建立的高斯过程回归模型。当新的数据到来时，在每个不同的阶段，基于欧式距离和角度原则选择部分相似的数据，用于建立局部的高斯过程回归模型。最终根据计算得到的新的数据隶属于每个不同阶段的后验概率，对局部模型进行融合输出。能够对关键变量进行精确预测，从而提高产品质量，降低生产成本。
-
-
-
-
-
Search Results
6
records
(took 0.012 seconds)
