章军
- 作品数：3 被引量：11H指数：2
- 供职机构：江南大学更多>>
- 发文基金：江苏高校优势学科建设工程资助项目国家自然科学基金江苏省高技术研究计划项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于互信息的软测量变量选择被引量：8
- 2012年
- 针对软测量建模中的变量选择问题,提出了一种结合信息论中最大熵和互信息的方法。该方法采用最大熵原理,对软测量中各辅助变量和主导变量的概率分布进行估计,得到主导变量和各辅助变量间的互信息,这些互信息间接地反映了主导变量和各辅助变量间的相关性,包括线性相关和非线性相关。然后产生随机样本并计算和主导变量间的互信息,重复多次该过程就可以得到一个无关变量和主导变量间的互信息样本。用T检验寻找一个阈值作为判断相关性的标准。对于互信息小于阈值的变量作不相关变量处理,并结合测试效果筛选出最佳的软测量辅助变量。仿真结果证明,基于互信息的软测量变量选择方法具有直观、简单实用和可靠性高的优点,并且有效地改善了模型的估计精度。
- 杨慧中章军陶洪峰
- 关键词：软测量最大熵互信息
- 基于极大后验的样本集补全被引量：1
- 2013年
- 虽然DCS系统可以实时地采集大量过程工业生产现场的操作数据,但仅有少量的数据可用作软测量模型的辅助变量样本,大部分反映质量指标的主导变量样本需要通过较长时间的人工分析或在线质量仪器获取,导致了软测量模型的训练样本收集困难,绝大多数DCS系统采集的数据无法有效利用,影响了机器学习的精度。针对以上问题,采用最大熵方法估计软测量模型变量的概率分布,结合聚类方法,对样本集中缺少人工分析值的部分采用贝叶斯极大后验估计方法进行补全。仿真结果证明:该方法可以对样本的缺失部分进行有效补全,从而增加可用样本的数量,提高模型的训练精度。
- 章军杨慧中
- 关键词：软测量贝叶斯公式最大熵聚类分析
- 基于SVM的苯酚浓度半监督软测量方法被引量：2
- 2013年
- 基于SVM的监督学习方法一般是通过采用标记样本去训练SVM回归模型,从而得到支持向量,且只有这些支持向量对模型的估计才有贡献。然而在实际应用中,通过取样分析获得的标记样本一般数量较少,且难以覆盖整个样本空间,所以训练出来的SVM回归模型的支持向量也不够完整,影响模型的估计精度和泛化能力。针对该问题,本文利用未标记样本中信息较为丰富的可能支持向量,采用本文提出的判定准则和标记方法后用于SVM回归模型的学习,仿真结果表明,随着未标记样本中支持向量的增加,SVM回归模型的估计精度和泛化能力得到改善。
- 章军杨慧中
- 关键词：软测量支持向量机半监督学习
