助训练框架下的半监督软测量建模方法

摘要: 为了充分利用工业过程中大量无标签样本信息，并减少过程的不确定因素对无标签样本质量的影响，提出一种助训练框架下的半监督孪生支持向量回归软测量建模方法。采用孪生支持向量回归机构建主学习器，对高置信度无标签样本添加伪标签；同时，基于K近邻算法构建辅学习器，最大化学习器在近邻样本集上的均方误差，经过此项指标筛选后的待处理样本集包含了更多的数据信息；主、辅学习器二者相辅相成，一定程度上提高了模型的泛化性；再利用所构建的助训练框架提高样本利用率后得到预测模型，实现对无标签样本信息的充分挖掘。通过对脱丁烷塔工业过程中的实际数据进行建模仿真，所得结果表明此模型具有良好的预测性能。

• 关键词: 
• 软测量建模  /  
• 半监督  /  
• 助训练  /  
• 孪生支持向量回归  /  
• K近邻  /  
• 置信度  /  
• 学习器  /  
• 脱丁烷塔  

在许多复杂工业生产过程中，有一些过程变量往往与最终产品的质量息息相关。但是，由于受到检测技术水平、经济成本和环境因素等条件的制约，导致这些关键过程变量的在线测量成本高、耗时长[1]。软测量技术通过构建准确的数学模型，可以实现对质量指标的实时预测[2]，近年来取得了许多成功的应用。常见的数据驱动软测量模型有：偏最小二乘(partial least squares, PLS)[3]、人工神经网络(artificial neural network, ANN)[4]、高斯过程回归(Gaussian process regression, GPR)[5]、支持向量机(support vector machine, SVM)[6]等。