(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111547244.8 (22)申请日 2021.12.16 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 姚乐　葛志强　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 贾玉霞 (51)Int.Cl. G06F 30/27(2020.01) G06N 7/00(2006.01) (54)发明名称 基于局部双加权概率隐变量回归模型的多 工况过程自适应软测量建模方法 (57)摘要 本发明公开一种基于局部双加权概率隐变 量回归模型的多工况过程自适应软测量建模方 法， 首先基于变 分贝叶斯高斯混合模 型拟合多工 况过程， 利用多个高斯组分模拟多工况数据的分 布， 并计算训练样本归属于各高斯组分的后验概 率， 实现对训练数据集的多工况软划分； 进而针 对待预测样本构建各组分下的局部双加权概率 隐变量回归模 型， 并计算待预测样 本归属于各组 分的后验概率， 以融合各局部加权模 型的输出预 测， 形成最终的软测量预测结果。 本发明能够获 得更准确的输出预测结果， 极大地提升工业软测 量模型的预报性能， 同时自适应多工况过程， 可 更精准反映工业 生产状况。 权利要求书5页 说明书11页 附图6页 CN 114239400 A 2022.03.25 CN 114239400 A 1.一种基于局部双加权概率隐变量 回归模型的多工况过程自适应软测量建模方法， 其 特征在于， 包括以下步骤： (1)利用工业控制系统收集训练数据集 其中N代表训练数据集中样本 个数， M代表训练数据集变量维度， 数据集由输入变量ξn∈Rm和输出变量οn∈R1构成， 即ψn＝ [ξn οn]T； 假设训练数据集服从混合高斯分布 包含K个高斯 组分， 其均值和协方差为 和 τk代表第k个高斯组分的混合权 重； (2)基于训练数据 集训练变分贝叶斯 高斯混合模型， 获得各高斯组分参数Θk＝{ τk,uk, Ωk}， k＝1,...,K； (3)计算每个训练样本属于各高斯组分的归属度S＝{Snk},n＝1,...,N； k＝ 1,...,K， 并 在各高斯组分下依据归属度值Snk从大到小对原始训练样本进行排序， 为每个高斯组分构造 一组重新 排序后的训练数据集Zk,k＝1,...,K； (4)分别计算待预测样本输入部分 与训练后的各高斯组分下的训练样本的相似 度 (5)将各高斯组分下相似度值较高的前Ns个样本取出， 并基于训练样本归属度Snk和相 似度 双加权的策略构建并训练各组分下的局部加权概率隐变量回归模型Mik， 并设定隐 变量个数p和 加权调节参数 (6)计算待预测样本 输入部分归属于各高斯组分的后验概 率ωik； (7)计算各局 部加权概率隐变量回归模型Mik的预测值 并依据待预测样本输入部分 的归属度值ωik进行加权求和， 获得待预测样本 输入部分的最终输出 预测值 2.根据权利要求1所述基于局部双加权概率隐变量回归模型的多工况过程自适应软测 量建模方法， 其特 征在于， 所述 步骤(2)具体为： 1)基于变分贝叶斯算法学习高斯混合模型参数时， 需要为模型的随机变量V＝{τ,u, Ω,C}设定先验分布， 均值和方差服从正态逆威沙特分布： p(uk,Ωk)＝NIW(uk,Ωk|υk, εk, Γk, κk)， 高斯混合权重服从狄利克雷分布： p( τk)＝Dir( τk|νk)和样本的组分标签Cn服从类 别分布： Cn～categorical(Cn| π )， 其中 υ, ε,Γ, κ, ν 是 先验分布的超参数； 2)在变分贝叶斯 算法中， 采用变分 分布q(V| η )近似随机变量的后验分布： q(V| η )＝q( τ| ητ)q(u,Ω| ηυ, ηε, ηΓ, ηκ)q(C| ηC) 其中η代表变分分布的超参数； 3)依据变分贝叶斯 算法原理， 构建目标函数， 即变分证据下界：权　利　要　求　书 1/5 页 2 CN 114239400 A 2(a)首先最大化目标函数的第一项， 获得变分 分布q(C| ηC)的变分超参数 ηC： 其中Ψ(·)代表双伽玛函数， 利用softmax函数 得到 ηC的计算式： (b)然后最大化目标函数的第二项， 获得剩余的变分超参数： (c)最后将变分超 参数转化为高斯 混合模型的各高斯组分的参数Θk＝{ τk,uk,Ωk}， k＝ 1,...,K： 3.根据权利要求1所述基于局部双加权概率隐变量回归模型的多工况过程自适应软测 量建模方法， 其特 征在于， 所述 步骤(3)具体为： 1)基于贝叶斯公式计算每 个训练样本属于各高斯组分的归属度： 其中p( ψn|Θk)是 ψn在第k个组分下的似然函数， 其 参数为Θk＝{ τk,uk,Ωk}； 2)在第k个组分中， 对归属 度值Snk进行从大到小排序， 并依据该顺序 对原始训练样本进权　利　要　求　书 2/5 页 3 CN 114239400 A 3