论文部分内容阅读
本文提出了一种将核主元分析(KPCA)和贝叶斯网络(BN)相结合的软测量建模方法。核主元分析可对样本数据进行特征提取,消除数据之间的相关性,降低网络模型的输入变量维数。然后利用贝叶斯网络进行建模,采用基于剪枝算法的EM算法求解高斯混合模型的参数,再利用高斯混合模型逼近贝叶斯网络中变量的联合概率密度,训练贝叶斯网络,该方法不仅降低了模型的复杂性,而且提高了模型的泛化能力。最后采用该方法建立乙烯精馏塔中乙烷浓度的软测量模型,结果表明基于KPCA-BN方法建立的软测量模型有更好的预测效果和泛化能力,是一种