基于进化多目标优化的选择性集成学习软测量建模

• 作者: 李建刚 潘贝 王莉 金怀平 陈祥光 黄思
• 来源期刊: 高校化学工程学报
• 学科: 工学
• 关键词: 软测量 集成学习 输入特征扰动 集成修剪 进化多目标优化 高斯过程回归
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 化工系统工程
• 页码范围: 680-691
• 页数: 12页
• 分类号: TP277
• 字数: 7596字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-9015.2019.03.023

摘要

常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限.为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为EMO-SEGPR.该方法融合输入特征扰动,通过结合bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性GPR基模型.然后,基于EMO算法对GPR基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型.最后,引入集成学习策略实现GPR基模型的融合.将EMO-SEGPR方法应用于青霉素发酵过程和Tennessee Eastman化工过程,实验结果表明了该方法的有效性和优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈祥光	北京理工大学化学与化工学院	104	807	17.0	23.0
2	金怀平	昆明理工大学信息工程与自动化学院	4	3	1.0	1.0
3	李建刚	昆明理工大学信息工程与自动化学院	2	2	1.0	1.0
4	黄思	昆明理工大学信息工程与自动化学院	1	2	1.0	1.0
5	王莉	防灾科技学院电子科学与控制工程学院	2	2	1.0	1.0
6	潘贝	昆明理工大学信息工程与自动化学院	2	3	1.0	1.0