[论文学习]4——Just‐in‐time learning(即时学习)和 Locally weighted partial least squares(局部偏最小二乘法)的介绍

最新推荐文章于 2024-07-23 19:54:04 发布

Alchemist.L

最新推荐文章于 2024-07-23 19:54:04 发布

阅读量7.6k

点赞数 5

分类专栏：论文学习文章标签：软测量即时学习最小二乘法集成学习局部加权偏最小二乘法

本文链接：https://blog.csdn.net/qq_41319343/article/details/84369825

版权

这篇论文介绍了即时学习（JITL）和局部加权偏最小二乘法（LWPLS）的概念，探讨了它们在工业过程软测量中的应用。作者提出了一种新的多相似度测量驱动的集成即时学习（E-JITL）模型，以提高预测性能。E-JITL结合不同的相似性测量，通过局部加权偏最小二乘法进行预测，适用于非线性过程的自适应建模。

摘要由CSDN通过智能技术生成

《Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes》‘’

论文地址：https://onlinelibrary.wiley.com/doi/pdf/10.1002/cem.3040

继续学习老师给我的论文，学习优秀的方法！

这篇论文是来自Central South University的Xiaofeng Yuan,Jiao Zhou,Yalin Wang,Chunhua Yang所写的，发表在《Journal of Chemometrics》上，出版日期：2018 卷号：Vol.32 期号：No.9。

在这篇论文中，作者在Just‐in‐time learning(JITL)的基础上提出了提出了一种新的多相似度测量驱动集成即时学习（E-JITL）模型框架，关于E-JITL将会在下一篇博客进行翻译和学习。

本篇主要是简单了解学习什么是Just‐in‐time learning(即时学习)和Locally weighted partial least squares(局部偏最小二乘法)。主要是翻译论文，方便自己以后回顾和学习。

用于工业过程软测量的多相似测量驱动集成即时学习

摘要

即时学习（JITL）技术已经被广泛用于非线性过程的自适应软测量。每当查询样本到来时，它都会使用历史数据集中最相关的样本构建在线本地模型。因此，预测性能很大程度上取决于相关样本选择的相似性测量。在过去的几十年中，已经为样本选择开发了不同的相似性测量。然而，每种方法仅关注样本相似性的一个方面并且具有它自身的局限性。而且，难以获得实际过程数据的相似机制。单个相似性测量并不总是提供满意的预测性能。为了解决这个问题，本文提出了一种集成即时学习（E-JITL）框架。在E-JITL中，采用不同的相似性测量来进行样本选择。然后，构建和训练局部预测模型，以利用对应于相似性测量的不同相关样本组来估计查询数据的输出。最后，可以通过每个局部模型上的集成策略获得最终预测。E-JITL的有效性在两个工业应用中得到验证。

关键词

集成学习，即使学习，局部加权偏最小二乘法，质量预测，相似性测量，软测量

1 引言

在过去的几十年中，软测量技术已广泛应用于现代工业设备中，用于实时质量预测，过程监测和控制目的。开发软测量模型来预测难以测量的关键质量变量（因变量）通过那些易于测量的过程变量（次要变量）使用一些数学模型。关键变量通常是低采样产品质量，如产品浓度和关键性能指标，而次要变量是快速采样的产品，如温度，压力和流量。与硬测量设备相比，软测量能够以低成本快速估计感兴趣的变量。因此，软测量在学术界和工业界越来越受欢迎，特别是对于数据驱动的软测量。主成分回归，偏最小二乘回归（PLS），人工神经网络（ANN）和支持向量机等软测量技术有很多种。到目前为止，软测量模型已成功应用于石油化工，生物化学，冶金和制药等许多领域。

然而，开发具有高预测性能的软测量并不容易。此外，一旦在线构建并应用了良好的软测量，通常很难保持预期的性能，因为预测性能会随着过程状态的变化而恶化。因此，这需要必要的更新和更新软测量定期模型以保持良好的性能。为此，已经开发了诸如移动窗口模型和递归方法的自适应技术，其可以逐渐地将模型更新为新的过程状态。尽管如此，这些方法在突然状态变化的过程中不能很好地起作用。此外，当过程在非常窄的范围内操作且更新样本不足时，模型将过度适应。因此，即时学习（JITL）技术（也称为基于实例的学习，懒惰学习，局部加权学习）最近已被广泛用于自适应软测量建模。在JITL模型框架中，每当要为查询样本估计输出时，通常围绕查询数据样本构建局部模型，其具有来自历史数据集的最相关样本。与其他离线软测量技术不同，JITL模型是通过在线方式构建的。通常，JITL建模有3个主要步骤，分别是相似性测量的相关样本选择，相关样本的局部模型构建，以及在线局部训练模型的输出预测。 JITL模型的基本因素是设计合理的相似性度量，为在线局部建模分配最相关和最合适的样本。

对于JITL，不同的相似性测量可以选择用于局部建模的不同相关样本，这将导致不同的预测性能。在过去的几十年中，许多不同的相似性标准被采用来识别查询样本上最相关的样本数据。距离测量，如欧几里德和马哈拉诺比斯距离，是用于样本选择的输入空间中2个样本之间最广泛使用的相似性度量的一类。较小的距离旨在表示2个样本之间更大的相似性。然而，证明距离并不总是很好地起作用，因为在输入空间中接近查询样本的样本可能不一定与输出预测相关。因此，通过同时将距离和角度信息纳入相似性选择，提出了另