![](https://csdnimg.cn/release/download_crawler_static/18270068/bg1.jpg)
收稿日期:20181107;修回日期:20190102 基金项目:国家自然科学基金资助项目(61773182);江苏高校优势学科建设工程资助项目(PAPD)
作者简介:盛晓晨(1996),男,浙江金华人,硕士研究生,主要研究方向为复杂工业过程建模;史旭东(1993),男,江苏常州人,博士研究生,主
要研究方向为复杂工业建模;熊伟丽(1978),女,江苏无锡人,教授,博导,博士,主要研究方向为复杂工业过程建模与优化、智能软测量技术
(greenpre@163.com).
改进粒子群优化的极限学习机软测量建模方法
盛晓晨
a,b
,史旭东
a,b
,熊伟丽
a,b
(江南大学 a.物联网工程学院;b.轻工过程先进控制教育部重点实验室,江苏 无锡 214122)
摘 要:工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建
软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习
机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以
提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组
最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测
精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。
关键词:软测量建模;极限学习机;粒子群优化算法;自适应权重
中图分类号:TP273.1 文献标志码:A 文章编号:10013695(2020)06016168305
doi:10.19734/j.issn.10013695.2018.11.0863
Softsensormodelingofextremelearningmachinebasedon
improvedparticleswarmoptimization
ShengXiaochen
a,b
,ShiXudong
a,b
,XiongWeili
a,b
(a.SchoolofInternetofThingsEngineering,b.KeyLaboratoryofAdvancedProcessControlforLightIndustryofMinistryofEducation,Jiang
nanUniversity,WuxiJiangsu214122,China)
Abstract:Industrialprocessesoftencontainsignificantstrongnonlinearityandtimevaryingbehavior.TraditionalELM based
softsensorsometimesfailstomakeuseofdatainformationeffectivelyandhaspoorpredictionperformance.Thispaperproposed
animprovedparticleswarmoptimizationalgorithm,whichhadbetterconvergencespeedandsearchabilitythanstandardPSO.
ThisalgorithmusedthecharacteristicsofGaussiandistributiontoupdatetheinertiaweightadaptivelyandchangedlearningfactor
linearly.ItoptimizedthepenaltycoefficientandkernelparameterofELMtoobtainagroupofoptimalparameters.Thisalgorithm
wasappliedtosoftsensormodelingforthedebutanizercolumnprocess.Thesimulationresultsverifythattheproposedmethodhas
goodpredictionaccuracyandgeneralizationperformance.
Keywords:softsensormodeling;extremelearningmachine(ELM);particleswarmoptimization(PSO);adaptiveweight
0 引言
实际的工业生产过程中,存在许多与产品质量密切相关的
质量变量,由于经济或技术局限难以进行在线实时监测和控
制,如醋酸共沸精馏中的醋酸浓度
[1]
、油品黏度及组分、青霉
素发酵过程产物浓度
[2]
等,软测量技术通过构建易测辅助变
量和难测主导变量之间的数学模型可以很好地解决这个问
题
[3]
,常用的软测量模型如主元回归 (principalcomponentre
gression,PCR)
[4]
、偏最小二乘 (partialleastsquares,PLS)
[5]
、
人工神经网络 (
artificialneuralnetworks,ANN)
[6]
、支持向量机
(supportvectormachines,SVM)
[7]
、高 斯 过 程 回 归 (Gaussian
processregression,GPR)
[8]
等都可以得到良好的预测结果。
软测量建模方法中,极限学习机(
ELM)
[9]
由于具有预测
精度高、学习速度快、参数少等优点,近几年被广泛应用于工业
过程。相比于传统神经网络
[10]
、最小二乘支持向量机
[11]
等,
ELM模型克服了梯度下降学习算法需要多次迭代的缺点,能
在满足所需精度要求的同时提高神经网络的学习速度。然而
ELM也存在一些自身的不足,如很难精确找到最优超参数、其
泛化性能和预测精度也有待进一步提高等。尤其是参数选取
不当,会导致网络学习性能严重不足,对查询样本的预测能力
变差,从而不能满足实际工业的要求。目前对于惩罚系数和核
宽两个参数常采用人工选取的方式,该方式建立在大量的实验
基础之上,花费的时间较长,且参数设置不当也会导致模型精
度不高,因此,一些学者将群智能优化算法应用于
ELM的惩罚
系数和核宽的选取。
Wang等人
[12]
提出用灰狼优化 (greywolf
optimization,GWO)算法选取极限学习机的惩罚系数和核宽,
所建模型具有更高的分类精度。
Lyu等人
[13]
将改进的细菌觅
食优化 (improvedbacterialforagingoptimization,IBFO)算法应
用于 ELM超参数的选取,且在躯体化障碍患者的诊断方面取
得了成功的应用。然而 GWO算法存在收敛速度慢、容易陷入
局部最优的缺点,IBFO算法需要较多的参数设置,且寻优性能
很大程度上受到趋化步长取值大小的影响,若优化算法的参数
选取不当,仍然无法达到提高极限学习机模型泛化性能的目
的。粒子群优化 (particleswarm optimization,PSO)
[14]
最早由
Kennedy和 Eberhart在 1995年提出,该算法原理清晰、可调参
数少且收敛速度快,在机器学习算法的性能提升方面得到了较
大的应用。Lin等人
[15]
利用 PSO算法对 SVM进行特征选择以
及最优超参数选取,明显提高了 SVM的泛化能力和分类准确
性;陶新民等人
[16]
提出了一种改进的粒子群和 K均值混合聚
类算法,充分利用 PSO全局搜索能力强的特性来弥补了 K均
第 37卷第 6期
2020年 6月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No6
Jun.2020