文献类型：期刊文章

作　　者：金怀平[1] 黄思[1] 王莉[2] 陈祥光[3] 潘贝[1] 李建刚[1]

JIN Huai-ping;HUANG Si;WANG Li;CHEN Xiang-guang;PAN Bei;LI Jian-gang(Faculty of Information Engineering and Automation, Kunming University of Science and Technology,Kunming 650500, China;School of Electronic Science and Control Engineering, Institute of Disaster Prevention, Langfang 065201, China;School of Chemistry and Chemical Engineering, Beijing Institute of Technology, Beijing 100081, China)

机构地区：[1]昆明理工大学信息工程与自动化学院,云南昆明650500 [2]防灾科技学院电子科学与控制工程学院,河北廊坊065201 [3]北京理工大学化学与化工学院,北京100081

出　　处：《高校化学工程学报》

基　　金：国家自然科学基金(61763020);云南省应用基础研究计划青年项目(2018FD040);云南省教育厅科学研究基金(2017ZZX149)

年　　份：2019

卷　　号：33

期　　号：3

起止页码：680-691

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为 EMO-SEGPR。该方法融合输入特征扰动,通过结合 bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性 GPR 基模型。然后,基于 EMO 算法对 GPR 基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现 GPR 基模型的融合。将EMO-SEGPR 方法应用于青霉素发酵过程和 Tennessee Eastman 化工过程,实验结果表明了该方法的有效性和优越性。

关 键 词：软测量 集成学习  输入特征扰动  集成修剪  进化多目标优化  高斯过程回归  

分 类 号：TP277]