Novel Just-In-Time Learning-Based Soft Sensor Utilizing Non-Gaussian Information
Novel Just-In-Time Learning-Based Soft Sensor Utilizing Non-Gaussian Information
复制标题
利用非高斯信息的新型即时学习软传感器
DOI：
10.1109/tcst.2013.2248155
复制
发表时间：
2014
影响因子：
4.8
通讯作者：
Gao, Chuanhou
中科院分区：
文献类型：
--
作者：
Xie, Lei;Zeng, Jiusun;Gao, Chuanhou
本简介开发了一种新颖的基于即时 (JIT) 学习的软传感器，用于工业流程建模。假设记录的数据表现出非高斯信号分量，这些分量是通过非高斯回归（NGR）技术提取的。与之前使用基于距离的相似性度量进行局部建模的 JIT 建模工作不同，本文介绍了一种使用支持向量数据描述提取的非高斯分量的新相似性度量。基于相似性度量，提出了称为 NGR_JIT 的 JIT 建模过程。对数值示例以及工业过程的应用研究表明，当预测变量和响应集是非高斯分布时，所提出的软传感器可以提供更好的预测精度。
This brief develops a novel just-in-time (JIT) learning-based soft sensor for modeling of industrial processes. The recorded data is assumed to exhibit non-Gaussian signal components, which are extracted by a non-Gaussian regression (NGR) technique. Unlike previous work on JIT modeling which uses distance-based similarity measure for local modeling, this brief introduces a new similarity measure for the extracted non-Gaussian components using support vector data description. Based on the similarity measure, a JIT modeling procedure called NGR_JIT is proposed. Application studies on a numerical example as well as an industrial process demonstrate the proposed soft sensor can give better predictive accuracy when the predictor and response sets are non-Gaussian distributed.
登录
查看更多内容
DOI：
10.1016/s0169-7439(98)00024-0
发表时间：
1998-07-06
影响因子：
3.9
作者：
Rannar, S;MacGregor, JF;Wold, S
通讯作者：
Wold, S
基于即时学习的在线软测量建模方法的比较研究
DOI：
10.1016/j.chemolab.2010.09.008
发表时间：
2010-12-15
影响因子：
3.9
作者：
Ge, Zhiqiang;Song, Zhihuan
通讯作者：
Song, Zhihuan
影响因子：
7.5
作者：
Tax, DMJ;Duin, RPW
通讯作者：
Duin, RPW
影响因子：
4.2
作者：
V.R Radhakrishnan;A.R Mohamed
通讯作者：
V.R Radhakrishnan;A.R Mohamed
影响因子：
8
作者：
Bingham, E;Hyvarinen, A
通讯作者：
Hyvarinen, A