基于特征加权模糊聚类的多模型软测量建模

2012年03月16日14:46:35 本网站我要评论(2)字号：T | T | T

关键字：应用

杨慧中，张文清，
江南大学教育部轻工过程先进控制重点实验室，江苏无锡

上海市电站自动化技术重点实验室，上海

摘　　　要：针对化工生产过程中质量指标无法在线监测的问题，多模型软测量建模方法往往能取得不错的模型估计精度。然而传统的模糊聚类算法都假定样本的各维特征对聚类的贡献相同，影响了聚类效果和模型估计精度。为了考虑样本各维特征对聚类的不同影响，提出一种新的特征加权模糊聚类算法。该算法在模糊聚类迭代的基础上，逐步调整特征权值，较终有效改善了聚类效果。利用一个实际生产装置的操作数据进行建模仿真实验，结果显示了该方法的优越性。

关　键　词：支持向量机；多模型；模糊聚类；特征权值

１　引　言
在复杂的化工生产过程中，受工艺和技术的限制，一些质量指标往往无法或难以直接在线检测。为解决此类问题，对于软测量技术的研究得到了很大的关注。此外，由于实际生产过程往往具有非线性、工况范围广、控制性能要求高等特点，采用单一模型对其进行描述已无法满足要求［１］。多模型软测量建模方法从原理上解决了这个问题，并在实际中取得了成功的应用。其基本思路是根据样本数据的分布特性进行聚类，然后按照不同的子类建立相应的子系统模型，再将各子模型采用一定方式组合构建软测量系统。在多模型软测量建模领域，基于模糊聚类的分析方法是近年来国内外学者研究的热点。其中受到欢迎和广泛应用的是基于目标函数的模糊Ｃ均值（ＦｕｚｚｙＣＭｅａｎｓ，ＦＣＭ）聚类算法［２］。然而，传统的ＦＣＭ聚类算法假定样本的各维特征对聚类的贡献相同，不考虑各个特征对聚类结果的不同影响。文献［３］提出一种基于特征加权的模糊聚类算法，该算法通过ＲｅｌｉｅｆＦ算法［４］进行特征加权选择，不仅使聚类效果优于传统聚类，同时可以分析各维特征对聚类结果的贡献程度。在特征加权ＦＣＭ聚类（ＷｅｉｇｈｔｅｄＦｕｚｚｙＣＭｅａｎｓ，ＷＦＣＭ）过程中，如何快速准确地确定特征权值尤为重要。目前ＷＦＣＭ采用了ＲｅｌｉｅｆＦ算法，它通过前次聚类所得的样本类别标识确定属性权值。然而，ＲｅｌｉｅｆＦ算法运算时间长，收敛效果也不一定理想。本文提出利用前次聚类的聚类中心动态确定权值的方法（ＣｅｎｔｅｒｗｅｉｇｈｔｅｄＦｕｚｚｙＣＭｅａｎｓ，ＣＷＦＣＭ），该方法运算简单，易实现。实验表明，用ＣＷＦＣＭ可快捷地取得更好的聚类效果。

登录网站后可下载文件

基于特征加权模糊聚类的多模型软测量建模

相关阅读: