自适应多目标模糊聚类提升复杂非线性系统软测量精度与泛化

本文主要探讨了在复杂非线性系统软测量领域的一个关键问题，即如何提高单模型的建模精度和泛化能力。针对这一挑战，作者贾昊、董泽和周晓兰提出了一种新颖的方法——基于自适应多目标模糊聚类的多模型高斯过程回归（GPR）软测量建模技术。这种方法的核心在于： 1. 自适应多目标聚类：通过自动确定最优的数据子集，避免了传统聚类方法中需要人工设定聚类个数的难题。这种方法能够更好地处理系统中的不确定性，确保每个子集包含最有代表性的数据。 2. 高斯过程回归子模型：对每个数据子集构建独立的GPR模型，高斯过程回归作为一种非参数统计方法，能够处理非线性和噪声数据，为每个子集提供灵活而精确的预测。 3. 子模型加权融合：将多个GPR子模型的预测结果进行加权融合，以提高整体模型的预测性能。这种融合策略考虑了各个子模型的可靠性，从而增强模型的稳健性和准确性。 4. 应用实例：作者通过在实际火电厂烟气含氧量的软测量中验证了这一方法的有效性。结果显示，新方法显著提升了模型的精度和泛化能力，这对于复杂系统的动态预测和控制具有重要意义。 5. 发表背景：论文在网络期刊《计算机仿真》上首发，遵循严格的出版流程，确保内容的学术性和合规性。网络首发不仅体现了文章的实时性，也反映了其正式出版的地位。 总结来说，这篇论文引入了一种创新的软测量建模策略，它结合了自适应聚类、高斯过程回归和模型融合技术，有效地提高了复杂非线性系统的预测性能，对于实际工业应用如电力系统监控具有很高的实用价值。