|本期目录/Table of Contents|

[1]马仕强,任佳,赵梦恩.基于移动窗口和粒子群寻优的集成偏最小二乘改进算法[J].浙江理工大学学报,2018,39-40(自科4):453-460.
　MA Shiqiang,REN Jia,ZHAO Mengen.Improved ensemble partial leastsquares algorithm based on movingwindows and particle swarm optimization[J].Journal of Zhejiang Sci-Tech University,2018,39-40(自科4):453-460.
点击复制

基于移动窗口和粒子群寻优的集成偏最小二乘改进算法()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第39-40卷
期数:
2018年自科4期
页码:
453-460
栏目:
出版日期:
2018-07-10

文章信息/Info

Title:
Improved ensemble partial leastsquares algorithm based on movingwindows and particle swarm optimization
文章编号:
1673-3851 (2018) 07-0453-08
作者:
马仕强; 任佳; 赵梦恩
浙江理工大学机械与自动控制学院，杭州 310018
Author(s):
MA Shiqiang;  REN Jia;  ZHAO Mengen
Faculty of Mechanical Engineering and Automation, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
软测量; 偏最小二乘; 局部加权; 移动窗口; 粒子群算法
分类号:
TP183
文献标志码:
A
摘要:
为了克服传统偏最小二乘算法对时序非线性数据拟合效果差的问题，提出了结合移动窗口技术和粒子群算法的集成偏最小二乘算法(EMWPLS_PSO)。该算法通过移动窗口判定时序数据状态突变时刻以对原始数据集进行数据划分，添加冗余检查步骤，简化模型结构，同时引入粒子群算法对关键参数寻优，提高了模型性能。采用工业数据集Debutanizer_data验证算法，结果表明：该算法在处理时序、非线性数据时具有更高的精准度和更好的稳定性。这表明基于EMWPLS_PSO的软测量建模算法在工业领域的实用性和可操作性。

参考文献/References:

［1］ Kaneko H, Funatsu K. Database monitoring index for adaptive soft sensors and the application to industrial process［J］. AIChE Journal,2014,60(1):160-169.
［2］ Souza F A A, Araujo R, Mendes J. Review of soft 〖JP3〗sensor methods for regression applications［J］. Chemometrics  and Intelligent Laboratory Systems,2016,152:69-79.
［3］ Kadlec P, Gabrys B, Strandt S. Datadriven soft sensors〖JP〗 in the process industry［J］. Computers & Chemical Engineering,2008,33(4):795-814.
［4］ Kadlec P, Grbic R, Gabrys B. Review of adaptation mechanisms for datadriven soft sensors［J］. Computers & Chemical Engineering,2011,35(1):1-24.
［5］ 张宏伟，李鹏飞，景军锋,等.基于即时学习的软测量建模实时性改进［J］.西安工程大学学报,2014,28(6):750-754.
［6］ 石怀涛，刘建昌，张羽，等.基于相对变换PLS的故障检测方法［J］.仪器仪表学报，2012,33(4):816-822.
［7］ Vijayakumar S, Aaron D S, Schaal S. Incremental online  learning in high dimensions［J］. Neural Computation,2005,17(12):2602-2634.
［8］ Kaneko H, Funatsu K. Ensemble locally weighted partial  least squares as a justintime modeling method［J］. AIChE Journal,2016,62(3):717-725.
［9］ Kaneko H, Funatsu K. Applicability domain based on ensemble learning in classification and regression analyses［J］. Journal of Chemical Information and Modeling,2014,54(9):2469-2482.
［10］ 田慧欣，李坤，孟博.一种用于软测量建模的增量学习集成算法［J］.控制与决策,2015,30(8):1523-1526.

备注/Memo

备注/Memo:
收稿日期： 2017-11-02
网络出版日期： 2017-12-11
基金项目： 国家自然科学基金项目(61203177)；浙江省自然科学基金项目(LY17F030024)
作者简介： 马仕强(1993-)，男，浙江金华人，硕士研究生，主要从事工业软测量建模方面的研究
通信作者： 任佳，E-mail：jren@zstu.edu.cn
更新日期/Last Update: 2018-09-10