高斯过程集成算法的发酵过程软测量建模

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (33): 213-215.

高斯过程集成算法的发酵过程软测量建模

张相胜，王凯

江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-21 发布日期:2011-11-21

Soft-sensor modeling of fermentation process based on Gaussian process ensemble model

ZHANG Xiangsheng，WANG Kai

Key Lab of Advanced Process Control for Light Industry，Ministry of Education，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-21 Published:2011-11-21

摘要/Abstract

摘要： 针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高的问题，Bagging和高斯过程回归算法相结合，提出一种基于Bagging算法集成高斯过程的软测量建模方法。该算法使用Bagging技术从训练样本集中选取若干子训练样本集，利用该若干子集形成许多高斯过程模型，并通过平均组合方式进行集成，得到最终的模型输出。将该集成算法应用到谷氨酸发酵过程的软测量建模中，实现了对谷氨酸浓度的准确预测，相对于单一高斯过程模型，具有更高的预测精度和鲁棒性。

关键词: 高斯过程, Bagging算法, 软测量, 谷氨酸发酵

Abstract: To solve the problem of low modeling precision due to some key parameters unable to be measured on line in the glutamic acid process，a Gaussian process ensemble model for soft-sensor is proposed based on Bagging and Gaussian process algorithms.This algorithm selects a number of sub-training sets from the whole training sample using Bagging technique，and then trains many Gaussian process sub-models using the sub-training sets respectively.The output of the model is achieved by averaging all the outputs of the sub-models.The ensemble algorithm is applied to the soft sensor model of the glutamic acid fermentation process and achieves more accurate prediction and better robustness compared with single Gaussian process model.

Key words: Gaussian process, Bagging algorithm, soft sensor, glutamic acid fermentation

张相胜，王凯. 高斯过程集成算法的发酵过程软测量建模[J]. 计算机工程与应用, 2011, 47(33): 213-215.

ZHANG Xiangsheng，WANG Kai. Soft-sensor modeling of fermentation process based on Gaussian process ensemble model[J]. Computer Engineering and Applications, 2011, 47(33): 213-215.

[1]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[2]	王阳，唐朝晖，王紫勋，牛亚辉. 选用改进高斯过程回归模型的碳排放短期预测[J]. 计算机工程与应用, 2018, 54(23): 246-251.
[3]	刘瑞兰，毛佳敏. 基于深度置信网络的4-CBA软测量建模[J]. 计算机工程与应用, 2017, 53(6): 227-230.
[4]	邵良杉，马寒，温廷新. 极限学习机的分类器集成模型研究[J]. 计算机工程与应用, 2016, 52(13): 121-125.
[5]	倪波1，刘志远1，2，余钢1. 结合高斯过程和形变模型的超声图像分割方法[J]. 计算机工程与应用, 2016, 52(12): 210-215.
[6]	丛秋梅1，张北伟1，苑明哲2. 基于同步聚类的污水水质混合在线软测量方法[J]. 计算机工程与应用, 2015, 51(24): 27-33.
[7]	魏林1，张冲2，刘永超2，付华2，尹玉萍2. 基于动态聚类的瓦斯浓度高斯预测模型[J]. 计算机工程与应用, 2015, 51(24): 260-265.
[8]	黄芳1，刘元君1，陈波2. 组合核函数高斯过程的网络流量预测模型[J]. 计算机工程与应用, 2015, 51(19): 93-97.
[9]	李虎，张二虎，段敬红. 基于PCA和多元统计回归的人群人数统计方法[J]. 计算机工程与应用, 2014, 50(11): 206-209.
[10]	胡凡，吴运新. 软测量技术在泵车臂架结构健康监测中的应用[J]. 计算机工程与应用, 2013, 49(3): 263-266.
[11]	黄丽平，孙永雄，申晨. 用基于中值滤波的高斯过程预测3G网络性能[J]. 计算机工程与应用, 2013, 49(2): 126-129.
[12]	刘凯1，王正群2. 一种用于分类的改进Boosting算法[J]. 计算机工程与应用, 2012, 48(6): 146-150.
[13]	曹洁，高利敏. MAGA-WNN模型在明胶浓度软测量中的应用[J]. 计算机工程与应用, 2012, 48(26): 231-234.
[14]	张东娟，丁煜函，刘国海，梅从立. 基于改进极限学习机的软测量建模方法[J]. 计算机工程与应用, 2012, 48(20): 51-54.
[15]	宋剑杰. 污水处理过程COD指标集成软测量模型[J]. 计算机工程与应用, 2012, 48(17): 243-248.