主权项 |
一种基于缓慢特征回归的动态软测量方法,其特征在于,包括:S1,读取缓慢特征模型与线性回归模型,所述缓慢特征模型为<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>s</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='[' close=']'><mtable><mtr><mtd><msub><mi>s</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>s</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>s</mi><mi>m</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>=</mo><mi>Wu</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000655925050000011.GIF" wi="609" he="402" /></maths>其中,m为输入向量的维数,u(t)为采样时刻离散化的m维输入向量,s(t)为采样时刻离散化的m维缓慢特征向量;系数矩阵W为m阶方阵,所述输入向量u(t)包含一定数量的历史数据,当有n个易测辅助变量x(t)=[x<sub>1</sub>(t),x<sub>2</sub>(t),…,x<sub>n</sub>(t)]<sup>T</sup>时,则所述输入向量u(t)的结构为<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>u</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='[' close=']'><mtable><mtr><mtd><msub><mi>x</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>Δt</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>dΔt</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>Δt</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>dΔt</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mi>n</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msub><mi>x</mi><mi>n</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>Δt</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>x</mi><mi>n</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>-</mo><mi>dΔt</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>∈</mo><msup><mi>R</mi><mrow><mi>n</mi><mrow><mo>(</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup></mrow>]]></math><img file="FDA0000655925050000012.GIF" wi="727" he="1221" /></maths>其中,Δt为输入变量的采样间隔,d为输入向量包含的历史数据的长度,且维数m满足关系式m=n(d+1);所述的线性回归模型为y(t)=b<sup>T</sup>s<sub>1:M</sub>(t)+c,其中M为用于预测的缓慢特征的个数,s<sub>1:M</sub>(t)=[s<sub>1</sub>(t) s<sub>2</sub>(t) … s<sub>M</sub>(t)]<sup>T</sup>为由前M个缓慢特征组成的向量,b∈R<sup>M</sup>和c∈R分别为线性回归模型的系数向量与常数项;S2,读入操作变量的在线测量值,并输入到所述缓慢特征模型中,求得缓慢特征向量s(t)的在线实时估计值;S3,将前M个缓慢特征组成的向量s<sub>1:M</sub>(t)输入到线性回归模型中,获得难测主导变量y(t)的瞬时估计值<img file="FDA0000655925050000021.GIF" wi="143" he="83" />S4,将y(t)的估计值<img file="FDA0000655925050000022.GIF" wi="114" he="85" />写入并显示。 |