基于核函数及参数优化的KPLS质量预测研究

论

文

赏

析

2021年电子技术应用第12期

陈 路，郑 丹，童楚东

宁波大学 信息科学与工程学院，浙江 宁波315211

摘要：  

核偏最小二乘(KPLS)在工业过程监测和质量预测中得到了广泛的应用，核函数和核参数的选取对KPLS质量预测结果有重要影响。然而，如何选择核函数类型和核参数一直是该方法应用的瓶颈。针对以上问题，提出一种改进遗传算法的核函数优化方法。该方法将核的种类及核参数作为优化的决策变量，以均方根误差为目标，分别从编码方案、遗传策略、适应度函数优化、交叉和变异算法等方面进行设计，以保证核函数种类的多样性，利用2折交叉验证法对训练结果进行验证。以田纳西-伊斯曼过程(TE)与MATLAB结合进行仿真实验，仿真结果表明，该方法能寻找到最优核函数以及其核参数，具有很好的稳定性和一致性。

关键词：

核偏最小二乘，遗传算法，质量预测，k折交叉验证

0 引言：

质量预测与分析是实现工业过程闭环控制的基础和关键[1]。基于KPLS的方法可以提高质量预测精度，许多研究人员以KPLS方法为基石，提出了许多解决非线性问题的方法[1-8]。

核函数是KPLS方法的关键，而KPLS选择核函数并不是任意的，必须要满足Mercer定理。特定的内核函数选择隐含地决定了映射和特征空间。在KPLS中，由于提取系统非线性特征的程度是基于核函数的，因此核函数的选择是最重要的。如何给基于KPLS的质量预测选择理想的核函数和核参数是一个开放的问题[9-10]。而且，一旦设置了核函数，就需要设置适当的核参数。但是，没有一个理论框架能寻找到指定核函数的参数最最优值，也就是说基于KPLS的质量预测很大程度上取决于选择的核函数和核参数。