提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输...
详细信息
提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输入变量空间异常点),利用残差和核密度函数识别高残差点(输出变量空间异常点),无需反复迭代便可以为样本赋予合适权重,有效地提高了建模速率。通过函数仿真和实际工业仿真,证明了所提出的方法比标准的核偏鲁棒M-回归算法有更好的鲁棒性和更高的建模效率。
提出一种基于(Total Projection to Latent Structure,T-PLS)的批次间自适应优化策略用于解决批次过程质量优化问题。由于批次过程的复杂性,模型和对象之间经常出现不匹配,进而导致了最优解必要条件(NCO)不匹配问题,最终致使优化结果只...
详细信息
提出一种基于(Total Projection to Latent Structure,T-PLS)的批次间自适应优化策略用于解决批次过程质量优化问题。由于批次过程的复杂性,模型和对象之间经常出现不匹配,进而导致了最优解必要条件(NCO)不匹配问题,最终致使优化结果只是次优。使用梯度修正方法弥补模型和对象之间的差异,同时为了保证操控变量在有效区间之内,引入了T-PLS的统计量To^2、Tr^2、Ty^2作为硬约束条件。最后通过仿真实验,验证了所提方法的有效性。
暂无评论