基于改进谱聚类的多模型软测量建模方法

"这篇研究论文探讨了改进谱聚类算法在多模型软测量中的应用，旨在解决工业过程中非线性和多工况问题。通过使用改进的谱聚类算法对样本数据进行有效聚类，然后利用最小二乘支持向量机（LS-SVM）构建子模型，并借助粒子群算法（PSO）确定多模型的权重。最终，这些子模型通过加权方式进行组合，形成具有高精度和良好泛化性能的软测量模型。" 本文发表于《自动化仪表》第35卷第6期，2014年6月，由国家自然科学基金和工业控制国家重点实验室开放课题基金资助。主要作者王灿灿是南京工业大学控制工程专业的硕士研究生，专注于工业过程先进控制、过程建模及优化的研究。 在工业过程中，由于非线性和工况变化，传统的单一模型往往无法准确预测系统行为。因此，研究者提出了多模型软测量方法，它结合了多个模型来提高预测精度。文章的核心在于改进的谱聚类算法，这是一种用于数据分类的有效工具，可以将样本数据高效地分为不同的类别。相比标准谱聚类算法，改进的版本可能更适应复杂的数据结构，能更好地识别出样本之间的内在关系。 接下来，利用LS-SVM算法，每个聚类内的样本被用来构建一个子模型。LS-SVM是一种广泛应用于非线性建模的方法，它通过最小化误差平方和来寻找最优的超平面，以实现对复杂非线性关系的建模。 为了确定各个子模型在多模型系统中的权重，论文采用了粒子群算法（PSO）。PSO是一种全局优化算法，能够搜索到全局最优解，从而确保每个子模型的权重分配合理，进一步提升整体模型的性能。 最后，这些经过优化的子模型通过加权组合，形成一个综合的软测量模型。这种模型可以处理非线性关系和多工况问题，提高了预测的准确性和鲁棒性。通过仿真试验，证明了该方法在模型精度和泛化能力上的优越性。 关键词包括：多模型、谱聚类、软测量、粒子群算法（PSO）和最小二乘支持向量机（LS-SVM），这些关键词反映了论文研究的核心技术和理论基础。该研究提供了一种创新的工业过程建模策略，对于提升复杂工业系统的控制和优化具有重要意义。