资源描述：
《改进谱聚类算法在多模型软测量中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、改进谱聚类算法在多模型软测量中的应用王灿灿,等改进谱聚类算法在多模型软测量中的应用ApplicationoflmprovedSpectralClusteringAlgorithminMulti-modelSoftSensing王灿灿李丽娟(南京工业大学自动化与电气工程学院,江苏南京211816)摘要:针对工业过程的非线性、多工况的特点,提出了一种基于改进谱聚类算法的多模型软测量建模方法。采用改进的谱聚类算法对样本数据集进行聚类;根据最小二乘支持向量机(LS-SVM)算法对各类样本建立子模型,并采用粒子群算法(PSO)求解多模型的权值;将所建子模型按照“加权方式”进行组合,得到软测量
2、模型。仿真试验表明,该方法具有较高的模型精度和良好的泛化性能。关键词:多模型谱聚类软测量粒子群算法(PSO)最小二乘支持向量机(LS-SVM)中图分类号:TP274文献标志码:AAbstract:Inaccordancewiththefeaturesofnonlinearandmultipleworkingconditionsoftheindustrialprocesses,themulti-modelsoftsensingmodelingmethodbasedonimprovedspectralclusteringalgorithmisproposed.Thesamplingda
3、taareclusteredbyusingtheimprovedspectralclusteringalgorithm,andthesub-modelsofvarioustypesofsamplesarebuiltinaccordancewithleastsquare-supportvectormachine(LS-SVM)algorithm,theweightsofmultiplemodelsaresolvedbyusingparticleswarmoptimization(PSO),thenthesub-modelsarecombinedinaccordancewiththe“
4、weightedmode"toobtainsoftsensingmodel.Thesimulationtestsshowthatthemethodproposedpossesseshighermodelaccuracyandexcellentgeneralizationperformance.Keywords:MultiplemodelsSpectralclusteringSoftsensingParticleswarmoptimization(PSO)algorithmLeastsquare-supportvectormachine(LS-SVM)改进谱聚类的多模型建模算法。该算
5、法具有识别非凸分0引言布聚类的能力,不会陷入局部最优解,且能避免数据的维在化工过程和很多其他工业应用领域中,由于大多数过高所造成的奇异性问题,以便得到更加精确的聚类数系统存在机理复杂、高度非线性、强耦合、大时滞等特结果,提高模型精度。样本聚类后,采用最小二乘支持向点,采用单一的软测量模型无法全面地描述复杂系统的量机(leastsquare-supportvectormachine,LS-SVM)建立各全局特性,并且存在回归精度低和泛化能力差等问题。子类模型,并采用粒子群(particleswarmoptimization,为了解决上述问题,一种能够提高系统模型精度和PSO)算法对多
6、模型权值进行寻优,系统软测量模型输出[1-3]可视作各子模型的加权组合。本文所研究方法在丙烯精泛化能力的多模型软测量建模方法应运而生。仲蔚等[4]提出模糊C均值聚类和径向基核函数(radialbasis馏塔塔顶丙烯含量软测量中进行了应用研究,结果表明,function,RBF)网络相结合的策略来进行多模型建模。该方法具有较高的精度和良好的泛化性能。现场应用表明,该方法易于实现且具有更好的泛化结果1谱聚类算法[5]和预报精度。周立芳等提出基于K均值聚类算法的多模型预测控制,试验证明了多模型建模的模型精度和1.1标准谱聚类算法[6]泛化特性。然而,传统的聚类算法如K均值算法、模糊谱聚类
7、是建立在图论中谱图理论的基础上,将C均值算法等都是建立在凸球形的样本空间上,当样本聚类问题转化为一个无向图的最优划分问题的过程,空间不为凸球形时,算法将会陷入局部最优。其本质是通过LaplacianEigenmap实现降维的过程。针对传统聚类方法存在的问题,本文提出一种基于谱聚类的思想来源于谱图划分理论,将每个样本数据看作图中的顶点V,根据样本间的相似度将相应顶点之间的连接边E赋权重W,从而得到基于样本相似度国家自然科学基金资助项目(编号:61203072);工业控制
