先進(jìn)控制技術(shù)及應(yīng)用

方法能構(gòu)造出性能良好的軟儀表。但是對(duì)于機(jī)理研究不充分、尚不完全清楚的復(fù)雜工業(yè)過程，難以建立合適的機(jī)理模型。
2．基于回歸分析的軟測(cè)量建模
經(jīng)典的回歸分析是一種建模的基本方法，應(yīng)用范圍相當(dāng)廣泛。以最小二乘法原理為基礎(chǔ)的回歸技術(shù)目前已相當(dāng)成熟，常用于線性模型的擬合。對(duì)于輔助變量較多的情況，通常要借助機(jī)理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測(cè)量模型。為簡(jiǎn)化模型，也可采用主元回歸分析法（Principal Component Regression，PCR）和部分最小二乘回歸法（Partial-Least-Squares Regression，PLSR）等方法。基于回歸分析的軟測(cè)量建模方法簡(jiǎn)單實(shí)用，但需要足夠有效的樣本數(shù)據(jù)，對(duì)測(cè)量誤差較為敏感。

3．基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模
基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的軟測(cè)量建模方法是近年來研究最多、發(fā)展很快和應(yīng)用范圍很廣泛的一種軟測(cè)量建模方法。能適用于高度非線性和嚴(yán)重不確定性系統(tǒng)，因此它為解決復(fù)雜系統(tǒng)過程參數(shù)的軟測(cè)量問題提供了一條有效途徑。采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行軟測(cè)量建模有兩種形式：一種是利用人工神經(jīng)網(wǎng)絡(luò)直接建模，用神經(jīng)網(wǎng)絡(luò)來代替常規(guī)的數(shù)學(xué)模型描述輔助變量和主導(dǎo)變量間的關(guān)系，完成由可測(cè)信息空間到主導(dǎo)變量的映射；另一種是與常規(guī)模型相結(jié)合，用神經(jīng)網(wǎng)絡(luò)來估計(jì)常規(guī)模型的模型參數(shù)，進(jìn)而實(shí)現(xiàn)軟測(cè)量。

4．基于模式識(shí)別的軟測(cè)量建模
這種軟測(cè)量建模方法是采用模式識(shí)別的方法對(duì)工業(yè)過程的操作數(shù)據(jù)進(jìn)行處理，從中提取系統(tǒng)的特征，構(gòu)成以模式描述分類為基礎(chǔ)的模式識(shí)別模型?；谀Ｊ阶R(shí)別方法建立的軟測(cè)量模型與傳統(tǒng)的數(shù)學(xué)模型不同，它是一種以系統(tǒng)的輸入、輸出數(shù)據(jù)為基礎(chǔ)，通過對(duì)系統(tǒng)特征提取而構(gòu)成的模式描述模型。該方法的優(yōu)勢(shì)在于它適用于缺乏系統(tǒng)先驗(yàn)知識(shí)的場(chǎng)合，可利用日常操作數(shù)據(jù)來實(shí)現(xiàn)軟測(cè)量建模。在實(shí)際應(yīng)用中，這種軟測(cè)量建模方法常常和人工神經(jīng)網(wǎng)絡(luò)以及模糊技術(shù)等技術(shù)結(jié)合在一起使用。

5．基于模糊數(shù)學(xué)的軟測(cè)量建模
模糊數(shù)學(xué)模仿人腦邏輯思維特點(diǎn)，是處理復(fù)雜系統(tǒng)的一種有效手段，在過程軟測(cè)量建模中也得到了應(yīng)用?；谀：龜?shù)學(xué)軟測(cè)量模型是一種知識(shí)性模型。該法特別適合應(yīng)用于復(fù)雜工業(yè)過程中被測(cè)對(duì)象呈現(xiàn)亦此亦彼的不確定性，難以用常規(guī)數(shù)學(xué)定量描述的場(chǎng)合。實(shí)際應(yīng)用中常將模糊技術(shù)和其他人工智能技術(shù)相結(jié)合，例如模糊數(shù)學(xué)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，將模糊數(shù)學(xué)和模式識(shí)別相結(jié)合構(gòu)成模糊模式識(shí)別，這樣可互相取長(zhǎng)補(bǔ)短以提高軟儀表的效能。

6．基于支持向量機(jī)（SVMs）的方法
建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的支持向量機(jī)（SVMs- Support Vector Machines）業(yè)已成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在有限樣本情況下，得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時(shí)的最優(yōu)值，解決了一般學(xué)習(xí)方法難以解決的問題，如神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇問題和模型學(xué)習(xí)問題等，從而提高了模型的泛化能力。另外，支持向量機(jī)把機(jī)器學(xué)習(xí)問題歸結(jié)為一個(gè)二次規(guī)劃問題，因而得到的最優(yōu)解不僅是全局最優(yōu)解，而且具有唯一性。由于軟測(cè)量建模與一般數(shù)據(jù)回歸問題之間存在著共性，支持向量機(jī)方法應(yīng)用于回歸估計(jì)問題取得不錯(cuò)的效果應(yīng)用，也促使人們把眼光投向工程應(yīng)用領(lǐng)域，提出了建立基于支持向量機(jī)的軟測(cè)量建模方法。

7．基于過程層析成像的軟測(cè)量建模
基于過程層析成像（Process Tomography，PT）的軟測(cè)量建模方法與其他軟測(cè)量建模方法不同的是，它是一種以醫(yī)學(xué)層析成像（Computerized Tomography，CT）技術(shù)為基礎(chǔ)的在線獲取過程參數(shù)二維或三維的實(shí)時(shí)分布信息的先進(jìn)檢測(cè)技術(shù)，即一般軟測(cè)量技術(shù)所獲取的大多是關(guān)于某一變量的宏觀信息，而采用該技術(shù)可獲取關(guān)于該變量微觀的時(shí)空分布信息。由于技術(shù)發(fā)展水平的制約，該種軟測(cè)量建模方法目前離工業(yè)實(shí)用化還有一定距離，在過程控制中的直接應(yīng)用還不多。

8．基于相關(guān)分析的軟測(cè)量建模
基于相關(guān)分析的軟測(cè)量建模方法是以隨機(jī)過程中的相關(guān)分析理論為基礎(chǔ)，利用兩個(gè)或多個(gè)可測(cè)隨機(jī)信號(hào)間的相關(guān)特性來實(shí)現(xiàn)某一參數(shù)的軟測(cè)量方法。該方法采用的具體實(shí)現(xiàn)方法大多是互相關(guān)分析方法，即利用各輔助變量（隨機(jī)信號(hào)）間的互相關(guān)函數(shù)特性來進(jìn)行軟測(cè)量。目前這種方法主要應(yīng)用于難測(cè)流體（即采用常規(guī)測(cè)量?jī)x表難以進(jìn)行有效測(cè)量的流體）流速或流量的在線測(cè)量和故障診斷（例如流體輸送管道泄漏的檢測(cè)