公开(公告)号：CN114117919B

公开(公告)日：2022-08-23

申请号：CN202111432914.1

申请日：2021-11-29

Applicant: 中国石油大学(华东)

Inventor： 王平 ,  白玮 ,  吴昂山 ,  尹贻超

IPC: G06F30/27 ,  G06N20/00 ,  G06F17/18

Abstract: 本发明涉及一种基于样本协同表示的即时学习的软测量建模方法，该方法通过协同表示算法获得历史样本的权重矩阵，并通过加权岭回归算法建立加权岭回归模型，将两种算法进行融合，形成统一的优化目标。对于采集的查询数据，首先计算查询数据与训练样本的加权欧式距离，并将加权欧式距离融合到协同表示的正则项中，计算协同表示系数及各历史样本的权重矩阵，然后根据各样本的权重矩阵建立加权岭回归模型计算查询数据对应的输出值。本发明不仅能够很好地处理工业过程的非线性、时变性及多重共线性问题，还将相似样本选择和局部模型的构建融合到一个优化函数中，实现利用局部模型的信息指导相似样本的选择，提高相似样本的可靠性及局部模型的预测精度。

公开(公告)号：CN114117919A

公开(公告)日：2022-03-01

申请号：CN202111432914.1

申请日：2021-11-29

Applicant: 中国石油大学(华东)

Inventor： 王平 ,  白玮 ,  吴昂山 ,  尹贻超

IPC: G06F30/27 ,  G06N20/00 ,  G06F17/18

Abstract: 本发明涉及一种基于样本协同表示的即时学习的软测量建模方法，该方法通过协同表示算法获得历史样本的权重矩阵，并通过加权岭回归算法建立加权岭回归模型，将两种算法进行融合，形成统一的优化目标。对于采集的查询数据，首先计算查询数据与训练样本的加权欧式距离，并将加权欧式距离融合到协同表示的正则项中，计算协同表示系数及各历史样本的权重矩阵，然后根据各样本的权重矩阵建立加权岭回归模型计算查询数据对应的输出值。本发明不仅能够很好地处理工业过程的非线性、时变性及多重共线性问题，还将相似样本选择和局部模型的构建融合到一个优化函数中，实现利用局部模型的信息指导相似样本的选择，提高相似样本的可靠性及局部模型的预测精度。