專利名稱：基于半監(jiān)督回歸學(xué)習(xí)的多模型軟測(cè)量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是ー種軟測(cè)量?jī)x表技術(shù)領(lǐng)域的方法，具體是ー種基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法。
背景技術(shù)：
在目前的エ業(yè)生產(chǎn)中，一般采用兩種手段實(shí)現(xiàn)控制變量的測(cè)量在線儀表的方法和離線測(cè)量分析的方法。但是這兩種方法都存在一定的缺點(diǎn)和劣勢(shì)在線儀表進(jìn)行測(cè)量的方法往往投入成本高，維護(hù)難度大，而離線測(cè)量分析的方法則由于人工因素的加入，容易測(cè)量過(guò)失誤差變大，且測(cè)量滯后性嚴(yán)重，難以滿足對(duì)實(shí)時(shí)性要求較高的系統(tǒng)。隨著計(jì)算機(jī)技術(shù)的發(fā)展，軟測(cè)量技術(shù)成為解決這ー問(wèn)題的有效方法，軟測(cè)量技術(shù)是ー種使用計(jì)算機(jī)建模技術(shù)對(duì)ー些難以測(cè)量或者無(wú)法測(cè)量的變量進(jìn)行預(yù)測(cè)的方法，這種難以測(cè)量的變量一般稱為主 導(dǎo)變量，與之相対，作為模型輸入的另外ー些相對(duì)容易測(cè)量的變量則一般稱為輔助變量。軟測(cè)量技術(shù)的輸入是輔助變量，輸出是主導(dǎo)變量，這種方法一般具有投入成本低、維護(hù)方便、可以實(shí)時(shí)測(cè)量的優(yōu)點(diǎn)。在傳統(tǒng)的軟測(cè)量技術(shù)中，往往僅僅使用少量的標(biāo)記數(shù)據(jù)來(lái)進(jìn)行建模，浪費(fèi)了大量可以輕易獲得的未標(biāo)記數(shù)據(jù)的價(jià)值，而半監(jiān)瞀學(xué)習(xí)是ー種研究如何利用未標(biāo)記樣本來(lái)獲得較好性能和推廣能力的學(xué)習(xí)機(jī)器。近些年來(lái)，隨著機(jī)器學(xué)習(xí)的不斷發(fā)展以及未標(biāo)記數(shù)據(jù)的日漸增加，半監(jiān)瞀學(xué)習(xí)正逐漸成為ー個(gè)研究熱點(diǎn)。一般來(lái)說(shuō)，標(biāo)記數(shù)據(jù)的獲取是比較“昂貴”的，在一個(gè)系統(tǒng)中，一般沒(méi)有辦法大量地獲得標(biāo)記數(shù)據(jù)來(lái)進(jìn)行建立模型，而未標(biāo)記數(shù)據(jù)因?yàn)椴⒉恍枰斯さ貙?duì)數(shù)據(jù)進(jìn)行標(biāo)記，所以可以對(duì)其大量獲取，并且研究發(fā)現(xiàn)，在未標(biāo)記數(shù)據(jù)中存在能夠表述數(shù)據(jù)結(jié)構(gòu)特點(diǎn)的信息，如果能力對(duì)這些信息加以利用，在軟測(cè)量技術(shù)中是可以有效地提聞?lì)A(yù)測(cè)精度的。隨著現(xiàn)代社會(huì)經(jīng)濟(jì)和科技的迅猛發(fā)展，エ業(yè)生產(chǎn)環(huán)境變得越來(lái)越復(fù)雜，想要在這樣復(fù)雜的エ業(yè)環(huán)境中做到系統(tǒng)控制準(zhǔn)確，必然需要對(duì)系統(tǒng)有更加準(zhǔn)確和多祥化的認(rèn)識(shí)。在軟測(cè)量領(lǐng)域，因?yàn)闇y(cè)量的主導(dǎo)變量一般是能夠主導(dǎo)控制策略變化的主要因素，所以如果軟測(cè)量模型不準(zhǔn)確，將會(huì)帶來(lái)非常嚴(yán)重的控制問(wèn)題。目前軟測(cè)量建模的方法有很多種，每種方法都可能有它自己相對(duì)應(yīng)或者擅長(zhǎng)的領(lǐng)域，而如今的控制系統(tǒng)也往往出現(xiàn)多變量、非線性、強(qiáng)耦合、多エ況、控制性能綜合要求高等特點(diǎn)，是多種類型系統(tǒng)的組合或者耦合，對(duì)這種系統(tǒng)采用単一模型進(jìn)行軟測(cè)量建模，效果并不好。所以，對(duì)于復(fù)雜多エ況的系統(tǒng)，有必要建立多個(gè)軟測(cè)量模型，同時(shí)利用多個(gè)模型對(duì)系統(tǒng)的主導(dǎo)變量進(jìn)行測(cè)量，最后再根據(jù)多組測(cè)量結(jié)果進(jìn)行優(yōu)化，從而有助于提高軟測(cè)量模型的魯棒性、準(zhǔn)確性和可靠性。

發(fā)明內(nèi)容
本發(fā)明針對(duì)傳統(tǒng)軟測(cè)量技術(shù)中并沒(méi)有利用未標(biāo)記數(shù)據(jù)及對(duì)于多エ況、非線性強(qiáng)的復(fù)雜エ業(yè)過(guò)程単一模型預(yù)測(cè)效果不好的問(wèn)題，提供一種基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)
量方法。
根據(jù)本發(fā)明的ー個(gè)方面，提供一種基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，包括如下步驟步驟ー對(duì)數(shù)據(jù)進(jìn)行聚類；步驟ニ根據(jù)數(shù)據(jù)分類結(jié)果采用多個(gè)子模型預(yù)測(cè)方案共同進(jìn)行子模型預(yù)測(cè)，獲得子模型預(yù)測(cè)結(jié)果；步驟三將多個(gè)子模型預(yù)測(cè)結(jié)果進(jìn)行合并，得到預(yù)測(cè)結(jié)果。優(yōu)選地，所述步驟一，具體為以加權(quán)式多模型軟測(cè)量建模方法采用G-K模糊聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類。優(yōu)選地，所述步驟三，包括步驟將子模型預(yù)測(cè)結(jié)果進(jìn)行基于加權(quán)的優(yōu)化。 優(yōu)選地，所述步驟一，具體為以切換式多模型軟測(cè)量建模方法采用最小距離分類算法對(duì)數(shù)據(jù)進(jìn)行聚類。優(yōu)選地，所述步驟三，包括步驟將子模型預(yù)測(cè)結(jié)果進(jìn)行基于切換的優(yōu)化。優(yōu)選地，在軟測(cè)量模型建模之前，首先通過(guò)數(shù)據(jù)聚類將作為模型輸入的輔助變量數(shù)據(jù)根據(jù)它們之間的相似性進(jìn)行分類，接著再根據(jù)分類結(jié)果采用不同的建模策略將ー個(gè)系統(tǒng)拆分為多個(gè)軟測(cè)量子模型共同進(jìn)行變量預(yù)測(cè)，最后再把多個(gè)子模型的預(yù)測(cè)結(jié)果進(jìn)行合并，形成ー種多模型的軟測(cè)量模型預(yù)測(cè)結(jié)果。優(yōu)選地，所述對(duì)數(shù)據(jù)進(jìn)行聚類包括模糊聚類以及硬聚類，其中，模糊聚類是指ー種不嚴(yán)格的聚類，即某ー個(gè)數(shù)據(jù)點(diǎn)并不完全屬于ー個(gè)類別，數(shù)據(jù)點(diǎn)對(duì)各個(gè)類別的所述關(guān)系通過(guò)模糊隸屬度來(lái)表現(xiàn)，模糊隸屬度是ー個(gè)范圍在O到I內(nèi)的小數(shù)，該小數(shù)越大，代表數(shù)據(jù)點(diǎn)與某一類別中的數(shù)據(jù)越相似，此外，同一數(shù)據(jù)點(diǎn)對(duì)所有類別的模糊隸屬度加和為I;硬聚類是指ー種嚴(yán)格的聚類，即某一個(gè)數(shù)據(jù)點(diǎn)是只能?chē)?yán)格地屬于某一個(gè)類別，這種方法不存在隸屬度的概念，對(duì)某ー數(shù)據(jù)點(diǎn)的所屬關(guān)系來(lái)說(shuō)，是非此即彼的。優(yōu)選地，加權(quán)式多模型軟測(cè)量建模方法指的是首先利用G-K模糊聚類算法對(duì)輸入數(shù)據(jù)點(diǎn)進(jìn)行聚類分析，得到聚類中心和每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度，接著根據(jù)類別的特點(diǎn)建立與類別數(shù)相等的子模型進(jìn)行軟測(cè)量模型主導(dǎo)變量的預(yù)測(cè)，最后再以每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度為加權(quán)系數(shù)對(duì)該數(shù)據(jù)點(diǎn)的所有子模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)計(jì)算，最終得到一個(gè)基于加權(quán)的多模型軟測(cè)量模型預(yù)測(cè)結(jié)果。優(yōu)選地，所述的切換式多模型軟測(cè)量建模方法指的是首先對(duì)作為輸入的輔助變量數(shù)據(jù)進(jìn)行聚類分析，得到數(shù)據(jù)的聚類數(shù)和聚類中心；接著采用最小距離分類方法對(duì)輸入數(shù)據(jù)進(jìn)行分類，這里的最小聚類分類指的是通過(guò)計(jì)算某一數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的距離來(lái)判定該數(shù)據(jù)點(diǎn)屬于哪個(gè)類別，取距離最小的類別為該數(shù)據(jù)點(diǎn)的所屬類別；然后再根據(jù)分類結(jié)果建立各個(gè)類別的軟測(cè)量子模型對(duì)其中的數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后取所有類別中數(shù)據(jù)的預(yù)測(cè)結(jié)果的并集，直接作為這種多模型軟測(cè)量方法的預(yù)測(cè)結(jié)果集。更為具體地，提供兩種基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法加權(quán)式多模型軟測(cè)量建模方法和切換式多模型軟測(cè)量建模方法。首先，這兩種多模型軟測(cè)量建模方法均以數(shù)據(jù)聚類算法為基礎(chǔ)，所不同的是加權(quán)式多模型軟測(cè)量建模方法采用G-K模糊聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類，切換式多模型軟測(cè)量建模方法采用最小距離分類對(duì)數(shù)據(jù)進(jìn)行聚類；接著再根據(jù)數(shù)據(jù)分類結(jié)果分別采用不同的子模型預(yù)測(cè)方案進(jìn)行子模型預(yù)測(cè)，最后再根據(jù)兩種建模方法的不同分別將子模型預(yù)測(cè)結(jié)果進(jìn)行基于加權(quán)或基于切換的優(yōu)化，從而得到不同多模型軟測(cè)量建模方法下的預(yù)測(cè)結(jié)果。所述的基于半監(jiān)瞀回歸的學(xué)習(xí)方法指的是通過(guò)將半監(jiān)瞀核引入一種監(jiān)瞀回歸學(xué)習(xí)算法目標(biāo)方程中的方法，將其變?yōu)椹`種基于半監(jiān)瞀回歸的學(xué)習(xí)算法，接著再通過(guò)對(duì)這種半監(jiān)瞀學(xué)習(xí)方法的目標(biāo)函數(shù)進(jìn)行最小值求解，從而得到當(dāng)目標(biāo)函數(shù)取得最小值時(shí)某些未知變量的值，最后再通過(guò)這些未知變量的值來(lái)描述系統(tǒng)函數(shù)關(guān)系的一種學(xué)習(xí)方法。所述的以數(shù)據(jù)聚類算法為基礎(chǔ)的多模型軟測(cè)量模型指的是在軟測(cè)量模型建模之前，首先通過(guò)數(shù)據(jù)聚類將作為模型輸入的輔助變量數(shù)據(jù)根據(jù)它們之間的相似性進(jìn)行分類，接著在根據(jù)分類結(jié)果采用不同的建模策略將ー個(gè)系統(tǒng)拆分為多個(gè)軟測(cè)量子模型共同進(jìn)行變量預(yù)測(cè)，最后再把多個(gè)子模型的預(yù)測(cè)結(jié)果進(jìn)行合并，形成ー種多模型的軟測(cè)量模型預(yù)測(cè)結(jié)果。這里的數(shù)據(jù)聚類算法可以分為模糊聚類和硬聚類，所謂模糊聚類是指一種不嚴(yán)格的聚類，即某ー個(gè)數(shù)據(jù)點(diǎn)并不完全屬于ー個(gè)類別，數(shù)據(jù)點(diǎn)對(duì)各個(gè)類別的所述關(guān)系通過(guò)模糊隸屬度來(lái)表現(xiàn)，模糊隸屬度是ー個(gè)范圍在O到I內(nèi)的小數(shù)，該小數(shù)越大，代表數(shù)據(jù)點(diǎn)與某ー類別中的數(shù)據(jù)越相似，此外，同一數(shù)據(jù)點(diǎn)對(duì)所有類別的模糊隸屬度加和為I;所謂硬聚類是指一種嚴(yán)格的聚類，即某一個(gè)數(shù)據(jù)點(diǎn)是只能?chē)?yán)格地屬于某一個(gè)類別，這種方法不存在隸屬度的概念，對(duì)某ー數(shù)據(jù)點(diǎn)的所屬關(guān)系來(lái)說(shuō)，是非此即彼的。 所述的加權(quán)式多模型軟測(cè)量建模方法指的是首先利用G-K模糊聚類算法對(duì)輸入數(shù)據(jù)點(diǎn)進(jìn)行聚類分析，得到聚類中心和每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度，接著根據(jù)類別的特點(diǎn)建立與類別數(shù)相等的子模型進(jìn)行軟測(cè)量模型主導(dǎo)變量的預(yù)測(cè)，最后再以每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度為加權(quán)系數(shù)對(duì)該數(shù)據(jù)點(diǎn)的所有子模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)計(jì)算，最終得到ー個(gè)基于加權(quán)的多模型軟測(cè)量模型預(yù)測(cè)結(jié)果。如圖I所示，它的步驟如下①分析事先獲得的一部分?jǐn)?shù)據(jù)，找出子エ況(類別)數(shù)C，其中c可以根據(jù)經(jīng)驗(yàn)給定或者通過(guò)其他聚類算法進(jìn)行分析。②分別為每個(gè)類別選擇子模型建模方法，并優(yōu)化參數(shù)，使得該模型對(duì)所屬類別的數(shù)據(jù)預(yù)測(cè)效果最優(yōu)。③讀取輸入數(shù)據(jù)Xp使用所有的子模型對(duì)進(jìn)行預(yù)測(cè)，得到子模型預(yù)測(cè)結(jié)果
·Λ④預(yù)測(cè)結(jié)束，轉(zhuǎn)⑤；預(yù)測(cè)未結(jié)束j=j+l，轉(zhuǎn)③。⑤對(duì)輸入數(shù)據(jù)集X進(jìn)行G-K聚類分析，將X分為c個(gè)類別，得到隸屬度矩陣U，根據(jù)式下式計(jì)算多模型輸出F = Ui Yi
i~l其中Ui為第i個(gè)類別對(duì)X中所有數(shù)據(jù)的隸屬度向量，ξ為X中所有數(shù)據(jù)在第i個(gè)子模型下的預(yù)測(cè)結(jié)果。⑥輸出所有數(shù)據(jù)的多模型預(yù)測(cè)結(jié)果y。所述的切換式多模型軟測(cè)量建模方法指的是首先對(duì)作為輸入的輔助變量數(shù)據(jù)進(jìn)行聚類分析，得到數(shù)據(jù)的聚類數(shù)和聚類中心；接著采用最小距離分類方法對(duì)輸入數(shù)據(jù)進(jìn)行分類，這里的最小聚類分類指的是通過(guò)計(jì)算某一數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的距離來(lái)判定該數(shù)據(jù)點(diǎn)屬于哪個(gè)類別，取距離最小的類別為該數(shù)據(jù)點(diǎn)的所屬類別；然后再根據(jù)分類結(jié)果建立各個(gè)類別的軟測(cè)量子模型對(duì)其中的數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后取所有類別中數(shù)據(jù)的預(yù)測(cè)結(jié)果的并集，直接作為這種多模型軟測(cè)量方法的預(yù)測(cè)結(jié)果集。如圖2所示，這種方法的步驟如下①獲取全部輸入數(shù)據(jù)并進(jìn)行聚類分析，將所有的數(shù)據(jù)分為c個(gè)類別，并得到c個(gè)類別的聚類中心V= {vj ,1 = 1,2, ...，Co②獲取一個(gè)輸入數(shù)據(jù)點(diǎn)Xp利用下式計(jì)算其到每個(gè)聚類中心的歐氏距離。(Ii= I I Xj-Vi I
③得到d最小的類別P，并把歸類為這ー類別，將其加入到Xp。④所有數(shù)據(jù)讀取結(jié)束，轉(zhuǎn)⑤；所有數(shù)據(jù)未讀取結(jié)束，轉(zhuǎn)②。⑤檢查每個(gè)類別的標(biāo)記樣本數(shù)目是否少于n，若是，轉(zhuǎn)⑥，否則轉(zhuǎn)⑦。⑥對(duì)標(biāo)記樣本數(shù)目少于η的類別，從另外c-Ι個(gè)類別中各抽取一半的標(biāo)記樣本與其自身的標(biāo)記樣本集合并，共同作為該類別的標(biāo)記樣本集。⑦分別對(duì)c個(gè)類別的數(shù)據(jù)集選取子模型建模方法并優(yōu)化參數(shù)，進(jìn)行預(yù)測(cè)
Aγ, ==⑧合并所有子模型預(yù)測(cè)結(jié)果，得到多模型預(yù)測(cè)結(jié)果
ΛΓ = F1U F2U…U》:.，/■ = U2,.",C與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果I.在傳統(tǒng)軟測(cè)量方法中，一般僅僅對(duì)輸入進(jìn)行單ー模型的建立,本發(fā)明提供的兩種基于半監(jiān)瞀回歸的多模型軟測(cè)量建模方法可以有效降低因?yàn)檫^(guò)程復(fù)雜化帶來(lái)的模型不準(zhǔn)確問(wèn)題。2.加權(quán)式多模型軟測(cè)量建模方法是ー種基于模糊聚類的方法，這種方法不要求事先就對(duì)輸入數(shù)據(jù)進(jìn)行分類，所以只要子模型采取在線建模方法，就可以對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)分類而在線地得到預(yù)測(cè)結(jié)果。3.切換式多模型軟測(cè)量建模方法子模型因?yàn)閮H僅只對(duì)一部分相似的輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)，所以它的模型預(yù)測(cè)準(zhǔn)確度比較高，可以很好地根據(jù)エ況情況對(duì)數(shù)據(jù)進(jìn)行區(qū)分預(yù)測(cè)。本發(fā)明在エ業(yè)軟測(cè)量建模方法領(lǐng)域有著廣泛的應(yīng)用前景。


圖I是加權(quán)式多模型軟測(cè)量建模方法流程圖。圖2是切換式多模型軟測(cè)量建模方法流程圖。圖3是多模型軟測(cè)量建模方法子模型A對(duì)煙氣含氧量的預(yù)測(cè)效果圖。圖4是多模型軟測(cè)量建模方法多模型對(duì)煙氣含氧量的預(yù)測(cè)效果圖。
具體實(shí)施例方式本發(fā)明中所述的基于半監(jiān)瞀回歸的學(xué)習(xí)方法指的是通過(guò)將半監(jiān)瞀核引入ー種監(jiān)瞀回歸學(xué)習(xí)算法目標(biāo)方程中的方法，將其變?yōu)椹`種基于半監(jiān)瞀回歸的學(xué)習(xí)算法，接著再通過(guò)對(duì)這種半監(jiān)瞀學(xué)習(xí)方法的目標(biāo)函數(shù)進(jìn)行最小值求解，從而得到當(dāng)目標(biāo)函數(shù)取得最小值時(shí)某些未知變量的值，最后再通過(guò)這些未知變量的值來(lái)描述系統(tǒng)函數(shù)關(guān)系的一種學(xué)習(xí)方法。
下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。實(shí)施例本實(shí)施例利用某電廠1000MW實(shí)測(cè)數(shù)據(jù)進(jìn)行基于加權(quán)式多模型軟測(cè)量建模方法的煙氣含氧量預(yù)測(cè)，包括以下步驟首先，了解研究對(duì)象，選取輔助變量和主導(dǎo)變量；其次，根據(jù)數(shù)據(jù)特點(diǎn)選取子模型并選取適應(yīng)于該子模型數(shù)據(jù)的最優(yōu)參數(shù)；再次，對(duì)輸入數(shù)據(jù)進(jìn)行多個(gè)子模型的預(yù)測(cè)，得到多組的預(yù)測(cè)結(jié)果；最后，利用G-K模糊聚類算法對(duì)輸入數(shù)據(jù)進(jìn)行聚類得到模糊隸屬度矩陣，并利用模糊隸屬度為加權(quán)系數(shù)對(duì)多組子模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)計(jì)算。在評(píng)價(jià)建模方法的性能時(shí)使用了以下指標(biāo)相對(duì)均方根誤差(RMSE)，它的計(jì)算公 式如下
權(quán)利要求
1.一種基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，包括如下步驟 步驟ー對(duì)數(shù)據(jù)進(jìn)行聚類； 步驟ニ根據(jù)數(shù)據(jù)分類結(jié)果采用多個(gè)子模型預(yù)測(cè)方案共同進(jìn)行子模型預(yù)測(cè)，獲得子模型預(yù)測(cè)結(jié)果； 步驟三將多個(gè)子模型預(yù)測(cè)結(jié)果進(jìn)行合并，得到預(yù)測(cè)結(jié)果。
2.根據(jù)權(quán)利要求I所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，所述步驟一，具體為以加權(quán)式多模型軟測(cè)量建模方法采用G-K模糊聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類。
3.根據(jù)權(quán)利要求2所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，所述步驟三，包括步驟將子模型預(yù)測(cè)結(jié)果進(jìn)行基于加權(quán)的優(yōu)化。
4.根據(jù)權(quán)利要求I至3中任一項(xiàng)所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，所述步驟一，具體為以切換式多模型軟測(cè)量建模方法采用最小距離分類算法對(duì)數(shù)據(jù)進(jìn)行聚類。
5.根據(jù)權(quán)利要求4所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在干，所述步驟三，包括步驟將子模型預(yù)測(cè)結(jié)果進(jìn)行基于切換的優(yōu)化。
6.根據(jù)權(quán)利要求I至5中任一項(xiàng)所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在干，具體為在軟測(cè)量模型建模之前，首先通過(guò)數(shù)據(jù)聚類將作為模型輸入的輔助變量數(shù)據(jù)根據(jù)它們之間的相似性進(jìn)行分類，接著再根據(jù)分類結(jié)果采用不同的建模策略將ー個(gè)系統(tǒng)拆分為多個(gè)軟測(cè)量子模型共同進(jìn)行變量預(yù)測(cè)，最后再把多個(gè)子模型的預(yù)測(cè)結(jié)果進(jìn)行合并，形成ー種多模型的軟測(cè)量模型預(yù)測(cè)結(jié)果。
7.根據(jù)權(quán)利要求I至6中任一項(xiàng)所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，所述對(duì)數(shù)據(jù)進(jìn)行聚類包括模糊聚類以及硬聚類，其中，模糊聚類是指一種不嚴(yán)格的聚類，即某ー個(gè)數(shù)據(jù)點(diǎn)并不完全屬于ー個(gè)類別，數(shù)據(jù)點(diǎn)對(duì)各個(gè)類別的所述關(guān)系通過(guò)模糊隸屬度來(lái)表現(xiàn)，模糊隸屬度是ー個(gè)范圍在O到I內(nèi)的小數(shù)，該小數(shù)越大，代表數(shù)據(jù)點(diǎn)與某一類別中的數(shù)據(jù)越相似，此外，同一數(shù)據(jù)點(diǎn)對(duì)所有類別的模糊隸屬度加和為I;硬聚類是指一種嚴(yán)格的聚類，即某一個(gè)數(shù)據(jù)點(diǎn)是只能?chē)?yán)格地屬于某一個(gè)類別，這種方法不存在隸屬度的概念，對(duì)某ー數(shù)據(jù)點(diǎn)的所屬關(guān)系來(lái)說(shuō)，是非此即彼的。
8.根據(jù)權(quán)利要求2至7中任一項(xiàng)所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，加權(quán)式多模型軟測(cè)量建模方法指的是首先利用G-K模糊聚類算法對(duì)輸入數(shù)據(jù)點(diǎn)進(jìn)行聚類分析，得到聚類中心和每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度，接著根據(jù)類別的特點(diǎn)建立與類別數(shù)相等的子模型進(jìn)行軟測(cè)量模型主導(dǎo)變量的預(yù)測(cè)，最后再以每個(gè)數(shù)據(jù)點(diǎn)的模糊隸屬度為加權(quán)系數(shù)對(duì)該數(shù)據(jù)點(diǎn)的所有子模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)計(jì)算，最終得到一個(gè)基于加權(quán)的多模型軟測(cè)量模型預(yù)測(cè)結(jié)果。
9.根據(jù)權(quán)利要求4至8中任一項(xiàng)所述的基于半監(jiān)瞀回歸學(xué)習(xí)的多模型軟測(cè)量方法，其特征在于，所述的切換式多模型軟測(cè)量建模方法指的是首先對(duì)作為輸入的輔助變量數(shù)據(jù)進(jìn)行聚類分析，得到數(shù)據(jù)的聚類數(shù)和聚類中心；接著采用最小距離分類方法對(duì)輸入數(shù)據(jù)進(jìn)行分類，這里的最小聚類分類指的是通過(guò)計(jì)算某一數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的距離來(lái)判定該數(shù)據(jù)點(diǎn)屬于哪個(gè)類別，取距離最小的類別為該數(shù)據(jù)點(diǎn)的所屬類別；然后再根據(jù)分類結(jié)果建立各個(gè)類別的軟測(cè)量子模型對(duì)其中的數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后取所有類別中數(shù)據(jù)的預(yù)測(cè)結(jié)果的并集， 直接作為這種多模型軟測(cè)量方法的預(yù)測(cè)結(jié)果集。
全文摘要
本發(fā)明提供一種基于半監(jiān)督回歸學(xué)習(xí)的多模型軟測(cè)量方法，包括步驟步驟一對(duì)數(shù)據(jù)進(jìn)行聚類；步驟二根據(jù)數(shù)據(jù)分類結(jié)果采用多個(gè)子模型預(yù)測(cè)方案共同進(jìn)行子模型預(yù)測(cè)，獲得子模型預(yù)測(cè)結(jié)果；步驟三將多個(gè)子模型預(yù)測(cè)結(jié)果進(jìn)行合并，得到預(yù)測(cè)結(jié)果。本發(fā)明可以有效降低因?yàn)檫^(guò)程復(fù)雜化帶來(lái)的模型不準(zhǔn)確問(wèn)題。加權(quán)式多模型軟測(cè)量建模方法不要求事先就對(duì)輸入數(shù)據(jù)進(jìn)行分類，所以只要子模型采取在線建模方法，就可以對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)分類而在線地得到預(yù)測(cè)結(jié)果。切換式多模型軟測(cè)量建模方法子模型因?yàn)閮H僅只對(duì)一部分相似的輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)，所以它的模型預(yù)測(cè)準(zhǔn)確度比較高，可以很好地根據(jù)工況情況對(duì)數(shù)據(jù)進(jìn)行區(qū)分預(yù)測(cè)。
文檔編號(hào)G06N7/02GK102693452SQ201210148588
公開(kāi)日2012年9月26日 申請(qǐng)日期2012年5月11日 優(yōu)先權(quán)日2012年5月11日
發(fā)明者張曦, 李哲, 王國(guó)良, 閻威武, 陳世和 申請(qǐng)人:上海交通大學(xué), 廣東電網(wǎng)公司電力科學(xué)研究院