贝叶斯分类器的关联向量机多模型软测量建模

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 224-226.

贝叶斯分类器的关联向量机多模型软测量建模

周开武，杨慧中

江南大学通信与控制工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

Multiple model soft sensor with relevance vector machine based on Bayesian classifier

ZHOU Kaiwu，YANG Huizhong

School of Communication & Control Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要： 为了改善软测量模型的估计精度，提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类，并对不同类别的输入数据分别建立关联向量回归机子模型，用“切换开关”方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模，仿真结果表明：与单模型支持向量机相比，该方法估计精度较高，具有一定的应用价值。

关键词: 多模型, 关联向量机, 超参数, 贝叶斯分类器

Abstract: In order to improve the estimation accuracy of the soft sensor model，a new nonlinear multi-modeling method based on Bayesian classify algorithm and relevance vector machine is proposed.This algorithm classifies the inputs by Bayesian classifier，and then trains each class by different relevance vector regression machines，and obtains the final result by the “Switch” way.The proposed algorithm is used in a soft sensor model for the bisphenol-A productive process.The experimental results indicate the proposed algorithm is superior compared with the single model of SVM and has certain application value.

Key words: multi-model, relevance vector machine, hyper parameters, Bayesian classifier

周开武，杨慧中. 贝叶斯分类器的关联向量机多模型软测量建模[J]. 计算机工程与应用, 2011, 47(5): 224-226.

ZHOU Kaiwu，YANG Huizhong. Multiple model soft sensor with relevance vector machine based on Bayesian classifier[J]. Computer Engineering and Applications, 2011, 47(5): 224-226.

[1]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[2]	张岁岁，黄丽霞，王杰，张雪英. 麦克风阵列下互相关函数分类的声源定位[J]. 计算机工程与应用, 2020, 56(4): 128-133.
[3]	丁娜，钟宝江. 手写液晶体数字及识别技术[J]. 计算机工程与应用, 2020, 56(16): 97-104.
[4]	胡睿，何小海，滕奇志，卿粼波，廖浚斌. 结合注意力的3D卷积网络脑胶质瘤分割算法[J]. 计算机工程与应用, 2020, 56(12): 187-192.
[5]	戴敏. 基于NB分类器重访概率预测的Web缓存替换策略[J]. 计算机工程与应用, 2019, 55(19): 134-140.
[6]	朱洪峰，熊伟，崔亚奇，吕亚飞. 新的自适应转弯模型的IMM算法研究[J]. 计算机工程与应用, 2019, 55(17): 252-258.
[7]	王刚1，2，牛宏侠1，2. 融合全局与局部特征的贝叶斯人脸识别方法[J]. 计算机工程与应用, 2019, 55(11): 172-178.
[8]	张维华1，2，孙启臣1，张丽静1. 新的分布交互式多模型广义概率数据关联算法[J]. 计算机工程与应用, 2018, 54(4): 44-49.
[9]	冷翠平1，王双成1，2，高瑞1. 宏观经济风险分析的动态贝叶斯分类器方法[J]. 计算机工程与应用, 2016, 52(3): 224-229.
[10]	徐雪松. 四旋翼无人机的多模型故障诊断[J]. 计算机工程与应用, 2016, 52(21): 252-257.
[11]	赵亮1，刘建辉2，崔彩峰2. 互信息匹配的半朴素贝叶斯分类器[J]. 计算机工程与应用, 2016, 52(18): 84-87.
[12]	陈晓辉1，2，黄剑1，付云侠1，2，雷帮军1，2. 基于iPLS和CARS数据融合技术的波长选择算法[J]. 计算机工程与应用, 2016, 52(16): 229-232.
[13]	李莹1，周德云1，俞吉2. 基于自适应变结构信息滤波的目标跟踪算法[J]. 计算机工程与应用, 2015, 51(17): 217-221.
[14]	崔彦凯1，梁晓庚1，2，王志刚3，贾晓洪2. 高速高机动目标自适应IMM跟踪算法[J]. 计算机工程与应用, 2014, 50(8): 198-201.
[15]	竹博，周游，仵国锋，胡捍英. AR预测模型的IMM跟踪算法[J]. 计算机工程与应用, 2014, 50(24): 222-226.