基于实时学习的高斯过程回归多模型融合建模

来源：信息与控制杂志2015年第4期北京时间：

作者：张伟, 熊伟丽, 徐保国

摘要：为提高软测量模型的预测性能，降低化工过程中的非线性、多阶段性和不同的局部动态特性对产品质量的控制产生的影响，提出一种在线不断更新的多模型策略．该方法用高斯混合模型（GMM）对过程的不同阶段进行辨识，并采用一种自适应实时学习（JITL）方法，不断更新所建立的高斯过程回归（GPR）模型．当新的数据到来时，在每个不同的阶段，基于欧氏距离和角度原则选择部分相似的数据，用于建立局部的高斯过程回归模型．最终根据计算得到的新的数据隶属于每个不同阶段的后验概率，对局部模型进行融合输出．与传统的单个模型相比，这种实时学习软测量模型的结构更加灵活，而且能更好地跟踪过程的动态．基于常用的TE（Tennessee Eastman）化工过程，利用本方法对产品的质量进行预测，仿真结果表明了所提方法具有更高的预测精度和更好的泛化性能．

关键词：高斯过程回归, 实时学习, 高斯混合模型, 后验概率, 多模型