【技術實現步驟摘要】
本專利技術屬于軟測量
，具體涉及一種借助Pearson相關系數實現生產過程主導變量精簡化軟測量的方法。
技術介紹
到目前為止，在實際生產過程中，存在著許多因為技術或經濟原因無法直接測量的變量，在這種情況下，軟測量技術應運而生。軟測量就是依據可測、易測的過程變量(稱為輔助變量)與難以直接檢測的待測變量(稱為主導變量)的數學關系，根據某種最優準貝U，采用各種計算方法，用軟件實現對待測變量的測量或估計。軟測量技術是目前研究的一個熱點，例如中國專利(專利號200410017533. 7)就提出了一種基于支持向量機的軟測量建模方法。在軟測量過程中，輔助變量的選擇是第一步。在大多數實際生產過程中，人們經常不能確定哪個輔助變量與主導變量相關，或有多大程度的相關，因而導致參與計算的輔助變量數量眾多。將眾多輔助變量通過計算，實現對主導變量的軟測量，會帶來龐大的計算量，不僅耗時耗力，并且得到的軟測量結果也并不一定是最好的，這是在生成過程中不希望看到的事情。如何利用最少的輔助變量集對主導變量實現效果最好的的軟測量，成為人們追求的目標。
技術實現思路
本專利技術的目的在于提供一種，能夠在建模效果最佳的準則上找出含輔助變量個數最少的輔助變量集對主導變量進行建模，實現對主導變量精簡化的軟測量。本專利技術的技術方案如下一種，其關鍵在于按如下步驟進行步驟一確定與主導變量可能相關的n個原始輔助變量，采集n個原始輔助變量和主導變量的取值，組成樣本集，樣本集大小為m，樣本大小為n+1 ；所述樣每個樣本中，包含有一個主導變量和n個原始輔助變量共n+1個變量的取值。步驟二 利用Pearson...
【技術保護點】
一種借助Pearson相關系數實現生產過程主導變量精簡化軟測量方法，其特征在于按如下步驟進行：步驟一：確定與主導變量可能相關的n個原始輔助變量，采集n個原始輔助變量和主導變量的取值，組成樣本集，樣本集大小為m，樣本大小為n+1；步驟二：利用Pearson相關系數算法分別計算n個原始輔助變量的權重值；步驟三：n個原始輔助變量組成原始輔助變量序列；步驟四：確定最佳輔助變量集，包括以下步驟：第一步，設定循環次數N=n；第二步，隨機從樣本集中選擇p個樣本作為訓練樣本，剩下的m?p個樣本作為檢驗樣本；第三步，根據所述訓練樣本，利用BP神經網絡建立原始輔助變量序列中所包含變量的非線性模型；第四步，將所述檢驗樣本的原始輔助變量值輸入至所述非線性模型，得到m?p個檢驗樣本對應的主導變量預測值；第五步，計算m?p個檢驗樣本主導變量預測值的均方誤差MSE；第六步，刪除當前原始輔助變量序列中權重值最小的原始輔助變量，組成新的原始輔助變量序列；設定N=N?1，判斷此時N是否為0：如果N≠0，則回到第三步；如果N=0，則最小的MSE對應原始輔助變量序列即為最佳輔助變量集；步驟五：最佳輔助變量集在步驟四中對應的非...
【技術特征摘要】
1.一種借助Pearson相關系數實現生產過程主導變量精簡化軟測量方法，其特征在于按如下步驟進行步驟一確定與主導變量可能相關的η個原始輔助變量，采集η個原始輔助變量和主導變量的取值，組成樣本集，樣本集大小為m，樣本大小為n+1 ；步驟二 利用Pearson相關系數算法分別計算η個原始輔助變量的權重值；步驟三η個原始輔助變量組成原始輔助變量序列；步驟四確定最佳輔助變量集，包括以下步驟第一步，設定循環次數Ν=η ；第二步，隨機從樣本集中選擇P個樣本作為訓練樣本，剩下的m-p個樣本作為檢驗樣本；第三步，根據所述訓練樣本，利用BP神經網絡建立原始輔助變量序列中所包含變量的非線性模型；第四步，將所述檢驗樣本的原始輔助變量值輸入至所述非線性模型，得到m-p個檢驗樣本對應的主...
【專利技術屬性】
技術研發人員：李太福，蘇盈盈，姚立忠，顏克勝，胡文金，王美丹，
申請(專利權)人：重慶科技學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。