控制理论与应用

作者：汤健,崔璨麟,王丹丹,乔俊飞

单位：北京工业大学信息学部,北京工业大学信息学部,北京工业大学信息学部,北京工业大学信息学部

关键词：虚拟样本生成; 主成分分析; 概率密度分布; 核密度估计; 综合学习粒子群; 混合建模样本

基金：国家自然科学基金项目(62073006, 62021003), 科技创新2030–“新一代人工智能”重大项目(2021ZD0112301, 2021ZD0112302)资助.

复杂工业过程的产品质量和环保指标等难测参数的建模数据具有样本小、分布稀疏等特性. 对此, 本文提出了基于约简特征概率密度分布(PDF)的虚拟样本生成(VSG)方法进行建模数据扩充. 首先, 采用主成分分析(PCA)对小样本数据进行特征约简, 并对所得独立主成分进行核密度估计(KDE)以生成候选虚拟主成分, 再正交采样后通过重构获得虚拟样本输入. 接着, 为均衡映射模型的精度与随机性, 采用随机森林(RF)与随机权神经网络(RWNN)构建集成映射模型获得虚拟样本输出. 最后, 对影响虚拟样本“优劣”的主成分贡献率、KDE平滑指数、候选虚拟主成分、虚拟样本数量、映射模型学习参数及集成权重等参数, 采用综合学习粒子群优化(CLPSO)算法进行优化以获得最优虚拟样本. 通过基准数据集和城市固废焚烧过程二噁英(DXN)数据集验证了所提VSG方法的合理性及有效性.

来源：2024年第11期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第11期