1、近年來(lái)軟測(cè)量建模技術(shù)在化工生產(chǎn)過(guò)程中得到了廣泛應(yīng)用。軟測(cè)量技術(shù)根據(jù)某一最優(yōu)準(zhǔn)則，選擇一組與主導(dǎo)變量相關(guān)的且易測(cè)量的輔助變量，構(gòu)造以輔助變量為輸入，主導(dǎo)變量為輸出的數(shù)學(xué)模型，實(shí)現(xiàn)對(duì)主導(dǎo)變量的在線估計(jì)。雖然軟測(cè)量的核心是建模，但是只有選擇與主導(dǎo)變量密切相關(guān)的輔助變量才能建立一個(gè)有效的軟測(cè)量模型。變量選擇就是在軟測(cè)量模型基礎(chǔ)之上，從一系列預(yù)先給定的自變量集合中，確定一個(gè)在某種準(zhǔn)則下可以對(duì)主導(dǎo)變量進(jìn)行最佳描述的變量子集。假定有p個(gè)候選輔助變量，

2、總共能產(chǎn)生2p-1個(gè)候選模型，即使p不是很大的時(shí)候，也能陷入組合爆炸的困境。因此，研究如何快速高效的變量選擇方法，在保證模型預(yù)測(cè)性能的前提下，盡可能地減少冗余變量，是很有必要的。針對(duì)該問(wèn)題，本論文開展了較為系統(tǒng)化的軟測(cè)量變量選擇方法研究。
　　本文的主要研究?jī)?nèi)容和成果如下:
　　1.將蒙特卡洛無(wú)信息變量消除算法(MC-UVE)、遺傳算法和偏最小二乘(GA-PLS)三者相結(jié)合，首先利用MC-UVE算法剔除無(wú)信息變量，在MC-U

3、VE所選出的有信息變量的基礎(chǔ)上，使用GA算法進(jìn)一步精選變量子集，提出了MC-UVE-GA-PLS變量選擇方法。最后，通過(guò)UCI數(shù)據(jù)對(duì)算法的可行性、有效性、模型預(yù)測(cè)性能及模型復(fù)雜度等方面進(jìn)行驗(yàn)證，并與All-PLS模型和GA-PLS模型進(jìn)行了對(duì)比，結(jié)果表明了算法的可行性與可靠性。
　　2.考慮到變量選擇本質(zhì)上是數(shù)學(xué)優(yōu)化問(wèn)題，以多元線性回歸(MLR)模型為基礎(chǔ)，通過(guò)引入0-1決策變量，利用BIC準(zhǔn)則，將變量選擇問(wèn)題描述成一個(gè)嵌套的混合

4、整數(shù)二次規(guī)劃(MIQP)問(wèn)題，并提出了嵌套式MIQP-MLR變量選擇方法，同時(shí)實(shí)現(xiàn)特征變量的選擇與預(yù)測(cè)模型的建立。最后，通過(guò)UCI數(shù)據(jù)對(duì)所提出的方法進(jìn)行驗(yàn)證，并與傳統(tǒng)的逐步回歸(Stepwise)變量選擇方法進(jìn)行對(duì)比，結(jié)果驗(yàn)證了所提出方法的有效性和實(shí)用性。
　　3.在基于嵌套式MIQP-MLR變量選擇方法基礎(chǔ)上，進(jìn)一步將模型結(jié)構(gòu)從MLR拓展至魯棒性更強(qiáng)的支持向量回歸(SVR)模型，并利用改進(jìn)的MSE準(zhǔn)則，將變量選擇描述成一個(gè)混合整

5、數(shù)線性規(guī)劃(MILP)問(wèn)題，提出了MILP-SVR變量選擇方法。所提出的方法不僅不需要事先指定模型中的變量個(gè)數(shù)，避免懲罰因子的調(diào)節(jié)，而且求解效率更高。此外，SVR模型可以利用核技巧，實(shí)現(xiàn)非線性函數(shù)的擬合。最后通過(guò)UCI數(shù)據(jù)測(cè)試了算法的可行性與有效性，并與All-SVR、Pearson-SVR和RFE-SVR對(duì)比，驗(yàn)證了方法的可靠性。
　　4.將上述變量選擇方法應(yīng)用至某一工業(yè)精餾塔間苯二胺純度的軟測(cè)量建模中，為間苯二胺純度軟測(cè)量模型