本文主要研究内容
作者金怀平,黄思,王莉,陈祥光,潘贝,李建刚（2019）在《基于进化多目标优化的选择性集成学习软测量建模》一文中研究指出：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。
Abstract
chang gui ji cheng xue xi ruan ce liang fang fa hu lve le shu ru bian liang shua ze de duo yang xing ,er ju mei you dui ji mo xing jin hang xiu jian ,cong er zao cheng ji cheng mo xing fu za du gao 、yu ce xing neng shou xian 。wei ci ,di chu yi chong ji yu jin hua duo mu biao you hua (EMO)de shua ze xing ji cheng xue xi (SE)gao si guo cheng hui gui (GPR)ruan ce liang jian mo fang fa ,chen wei EMO-SEGPR。gai fang fa rong ge shu ru te zheng rao dong ,tong guo jie ge bootstrappingsui ji chong cai yang he pian hu xin xi xiang guan fen xi (PMI)gou jian duo yang xing shu ru bian liang zi ji ,bing ju ci jian li duo yang xing GPRji mo xing 。ran hou ,ji yu EMOsuan fa dui GPRji mo xing jin hang ji cheng xiu jian ,cong er huo de yi zu ji cheng gui mo jiao xiao 、duo yang xing he zhun que xing jiao gao de ji mo xing 。zui hou ,yin ru ji cheng xue xi ce lve shi xian GPRji mo xing de rong ge 。jiang EMO-SEGPRfang fa ying yong yu qing mei su fa jiao guo cheng he Tennessee Eastmanhua gong guo cheng ,shi yan jie guo biao ming le gai fang fa de you xiao xing he you yue xing 。
论文参考文献
论文详细介绍
论文作者分别是来自高校化学工程学报的金怀平,黄思,王莉,陈祥光,潘贝,李建刚，发表于刊物高校化学工程学报2019年03期论文，是一篇关于软测量论文,集成学习论文,输入特征扰动论文,集成修剪论文,进化多目标优化论文,高斯过程回归论文,高校化学工程学报2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自高校化学工程学报2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：软测量论文; 集成学习论文; 输入特征扰动论文; 集成修剪论文; 进化多目标优化论文; 高斯过程回归论文; 高校化学工程学报2019年03期论文;