Probabilistic Nonlinear Soft Sensor Modeling Based on Generative Topographic Mapping Regression
Probabilistic Nonlinear Soft Sensor Modeling Based on Generative Topographic Mapping Regression
复制标题
基于生成地形图回归的概率非线性软测量建模
DOI：
10.1109/access.2018.2798664
复制
发表时间：
2018
期刊：
影响因子：
3.9
通讯作者：
Wang Yalin
中科院分区：
文献类型：
--
作者：
Yuan Xiaofeng;Chen Zhiwen;Wang Yalin
投影回归是过程软测量中消除冗余信息、获得合适数据特征的重要工具。由于大多数工业过程本质上是非线性的，过程变量又是在随机噪声环境中采集的，因此在回归建模之前采用概率非线性隐变量模型进行降维特征提取具有重要意义。生成式地形图（GTM）就是这样一种概率非线性模型。然而，GTM是一种无监督的方法，其中提取的特征可能包括与输出信息无关的特征。因此，它可能导致软测量性能的不准确。针对这一问题，本文提出了一种基于监督GTM的生成式地形图回归方法，该方法结合输出信息指导特征提取和投影回归。通过利用输出来联合生成潜在变量，可以提取输出相关特征用于输出预测。数值算例和工业过程的仿真结果验证了该方法的有效性和灵活性。
Projection regression is an important tool for process soft sensing in order to eliminate redundant information and obtain proper data features. As most industrial process is intrinsically nonlinear and process variables are collected in random noise environment, it is significant to adopt probabilistic nonlinear latent variable model to carry out dimension reduction for feature extraction before regression modeling. Generative topographic mapping (GTM) is such a probabilistic nonlinear model. However, GTM is an unsupervised method, in which the extracted features may include irrelevant ones with the output information. Thus, it may result in inaccuracy of soft sensor performance. To deal with this problem, a generative topographic mapping regression is developed based on supervised GTM in this paper, which incorporates the output information to guide feature extraction and projection regression. By utilizing the output to jointly generate the latent variables, output-related features can be extracted for output prediction. The effectiveness and flexibility of the proposed method are validated on a numerical example and an industrial process.
登录
查看更多内容
DOI：
10.1109/scis-isis.2014.7044634
发表时间：
2014-12
期刊：
2014 Joint 7th International Conference on Soft Computing and Intelligent Systems (SCIS) and 15th International Symposium on Advanced Intelligent Systems (ISIS)
影响因子：
--
作者：
Nobuhiko Yamaguchi
通讯作者：
Nobuhiko Yamaguchi
DOI：
10.1016/j.compchemeng.2016.12.009
发表时间：
2017-03
期刊：
Comput. Chem. Eng.
影响因子：
--
作者：
Matheus S. Escobar;H. Kaneko;K. Funatsu
通讯作者：
Matheus S. Escobar;H. Kaneko;K. Funatsu
DOI：
10.1201/b10345-5
发表时间：
2010-11
期刊：
Encyclopedia of Autism Spectrum Disorders
影响因子：
--
作者：
Kim-Anh Lê Cao;Z. Welham
通讯作者：
Kim-Anh Lê Cao;Z. Welham
DOI：
--
发表时间：
2009
期刊：
--
影响因子：
--
作者：
M. A. Carreira-Perpiñán
通讯作者：
M. A. Carreira-Perpiñán
DOI：
10.1016/j.chemolab.2015.05.007
发表时间：
2015-08-15
影响因子：
3.9
作者：
Hazama, Koji;Kano, Manabu
通讯作者：
Kano, Manabu