科研之友
微信
新浪微博
Facebook
分享链接
摘要
集成学习已成为一种广泛使用的软测量建模框架.但是，建立高性能的集成学习软测量模型依然面临特征选择不当、基模型多样性不足、基模型估计性能不佳等诸多挑战.为此，本文提出了一种基于堆栈自编码器多样性生成机制的选择性集成学习高斯过程回归(selective ensemble of stacked autoencoder based Gaussian process regression, SESAEGPR)软测量建模方法.该方法充分发挥深度学习在特征提取方面的优势，通过构建多样性的堆栈自编码器(stacked autoencoder, SAE)网络，建立基于隐特征的高斯过程回归(Gaussian process regression, GPR)基模型.随后，基于模型性能提升率和进化多目标优化对SAEGPR基模型实施两次集成修剪，以降低集成模型复杂度、保持甚至进一步提升模型估计性能.最终,引入PLS Stacking集成策略实现基模型融合.所提方法显著优于传统全局和全集成软测量建模方法，其有效性和优越性通过青霉素发酵过程和Tennessee Eastman化工过程获得了验证.
- 单位
