楊慧中，張文清，
江南大學教育部輕工過程先進控制重點實驗室，江蘇無錫

上海市電站自動化技術重點實驗室，上海

摘　　　要：針對化工生產過程中質量指標無法在線監測的問題，多模型軟測量建模方法往往能取得不錯的模型估計精度。然而傳統的模糊聚類算法都假定樣本的各維特征對聚類的貢獻相同，影響了聚類效果和模型估計精度。為了考慮樣本各維特征對聚類的不同影響，提出一種新的特征加權模糊聚類算法。該算法在模糊聚類迭代的基礎上，逐步調整特征權值，較終有效改善了聚類效果。利用一個實際生產裝置的操作數據進行建模仿真實驗，結果顯示了該方法的優越性。

關　鍵　詞：支持向量機；多模型；模糊聚類；特征權值

１　引　言
在復雜的化工生產過程中，受工藝和技術的限制，一些質量指標往往無法或難以直接在線檢測。為解決此類問題，對于軟測量技術的研究得到了很大的關注。此外，由于實際生產過程往往具有非線性、工況范圍廣、控制性能要求高等特點，采用單一模型對其進行描述已無法滿足要求［１］。多模型軟測量建模方法從原理上解決了這個問題，并在實際中取得了成功的應用。其基本思路是根據樣本數據的分布特性進行聚類，然后按照不同的子類建立相應的子系統模型，再將各子模型采用一定方式組合構建軟測量系統。在多模型軟測量建模領域，基于模糊聚類的分析方法是近年來國內外學者研究的熱點。其中受到歡迎和廣泛應用的是基于目標函數的模糊Ｃ�簿�值（ＦｕｚｚｙＣ�玻停澹幔睿螅�ＦＣＭ）聚類算法［２］。然而，傳統的ＦＣＭ聚類算法假定樣本的各維特征對聚類的貢獻相同，不考慮各個特征對聚類結果的不同影響。文獻［３］提出一種基于特征加權的模糊聚類算法，該算法通過ＲｅｌｉｅｆＦ算法［４］進行特征加權選擇，不僅使聚類效果優于傳統聚類，同時可以分析各維特征對聚類結果的貢獻程度。在特征加權ＦＣＭ 聚類（ＷｅｉｇｈｔｅｄＦｕｚｚｙＣ�玻停澹幔睿螅�ＷＦＣＭ）過程中，如何快速準確地確定特征權值尤為重要。目前ＷＦＣＭ采用了ＲｅｌｉｅｆＦ算法，它通過前次聚類所得的樣本類別標識確定屬性權值。然而，ＲｅｌｉｅｆＦ算法運算時間長，收斂效果也不一定理想。本文提出利用前次聚類的聚類中心動態確定權值的方法（ＣｅｎｔｅｒｗｅｉｇｈｔｅｄＦｕｚｚｙＣ�玻停澹幔睿螅�ＣＷＦＣＭ），該方法運算簡單，易實現。實驗表明，用ＣＷＦＣＭ可快捷地取得更好的聚類效果。

登錄網站后可下載文件