基于Bootstrap和相關(guān)向量機(jī)的區(qū)間預(yù)測(cè)方法及應(yīng)用研究.pdf

1、在實(shí)際工業(yè)過(guò)程中，一些關(guān)鍵的過(guò)程變量和生產(chǎn)過(guò)程的安全保障乃至產(chǎn)品質(zhì)量都有著密切的聯(lián)系。因此，對(duì)于過(guò)程變量的準(zhǔn)確預(yù)測(cè)對(duì)于過(guò)程控制、生產(chǎn)決策等應(yīng)用有重要意義。一般來(lái)說(shuō)，預(yù)測(cè)結(jié)果通常由點(diǎn)估計(jì)結(jié)果給出。然而，對(duì)于高維、高非線性和含噪聲的工業(yè)過(guò)程，點(diǎn)估計(jì)越來(lái)越難以滿足精度要求，同時(shí)，在無(wú)法獲得真實(shí)值的情況下，也無(wú)法對(duì)預(yù)測(cè)結(jié)果的不確定度進(jìn)行估計(jì)。由此，本文著重研究區(qū)間預(yù)測(cè)方法及其過(guò)程工業(yè)應(yīng)用，主要研究?jī)?nèi)容如下:
　　(1)為了對(duì)預(yù)測(cè)結(jié)果的不確

2、定性和變化趨勢(shì)進(jìn)行估計(jì)，本文提出了一種基于Bootstrap和相關(guān)向量機(jī)(Bootstrapped RVM)的區(qū)間預(yù)測(cè)方法。在該方法中，Bootstrap用于重抽樣和獲取預(yù)測(cè)區(qū)間，RVM作為回歸算法。兩者結(jié)合后，可以構(gòu)建可靠的預(yù)測(cè)區(qū)間并快速得出預(yù)測(cè)結(jié)果，在數(shù)據(jù)量不大的情況下，它的訓(xùn)練速度也足夠快。
　　(2)由于Bootstrap法需要多次抽樣并對(duì)每組重抽樣數(shù)據(jù)訓(xùn)練RVM模型，從而導(dǎo)致訓(xùn)練和測(cè)試時(shí)間線性增加。對(duì)此，本課題引入了并行

3、計(jì)算方法，并改進(jìn)了現(xiàn)有訓(xùn)練和測(cè)試算法(Parallel Bootstrapped RVM)，將多組樣本的訓(xùn)練和測(cè)試過(guò)程由計(jì)算機(jī)的多核心處理器并行執(zhí)行，從而在一定程度上降低了Bootstrap法多次訓(xùn)練和測(cè)試問(wèn)題帶來(lái)的影響，并提高了大數(shù)據(jù)量下的訓(xùn)練和測(cè)試速度和計(jì)算機(jī)計(jì)算資源的利用率。
　　(3)結(jié)合雙稀疏相關(guān)向量機(jī)與Bootstrap方法，本文提出了另一種區(qū)間預(yù)測(cè)方法:Parallel Bootstrapped DSRVM。該方法可

4、以應(yīng)對(duì)包含更復(fù)雜特征的數(shù)據(jù)，并且對(duì)噪聲方差的逼近更接近于真實(shí)值。
　　(4)考慮到累積偏差指標(biāo)的相對(duì)值計(jì)算方法對(duì)于數(shù)據(jù)在零值附近的誤差放大問(wèn)題，提出了新的區(qū)間平均誤差指標(biāo);此外，由于實(shí)際應(yīng)用中的數(shù)據(jù)存在時(shí)效性，本文提出了時(shí)間窗口評(píng)價(jià)指標(biāo)的改進(jìn)和表示方法。
　　(5)本文使用加入不同噪聲的標(biāo)準(zhǔn)函數(shù)數(shù)據(jù)，以及實(shí)際工業(yè)過(guò)程的高密度聚乙烯數(shù)據(jù)分別對(duì)所提出的方法進(jìn)行了驗(yàn)證，仿真實(shí)驗(yàn)使用了基于Bootstrap的RVM、DSRVM、SV