近日，我校工學(xué)院楊澤宇老師（王培良教授團(tuán)隊）以第一作者、我校為第一單位在工業(yè)信息領(lǐng)域國際頂級期刊《IEEE Transactions on Industrial Informatics》（中科院一區(qū)TOP，IF：11.648）上，發(fā)表題為“Probabilistic Fusion Model for Industrial Soft Sensing Based on Quality-Relevant Feature Clustering”的研究論文。

　　對于大多數(shù)具有強(qiáng)非線性和多模態(tài)特征的現(xiàn)代工業(yè)過程，傳統(tǒng)的線性軟測量方法可能無法很好地工作。同時，面對復(fù)雜的數(shù)據(jù)分布，傳統(tǒng)的全局建模方法對數(shù)據(jù)表示能力提出了很高的要求，這對軟測量建模提出了挑戰(zhàn)。此外，數(shù)據(jù)分布的不平衡性在一定程度上加劇了模型對局部信息的忽略，從而提高了模型的整體預(yù)測難度。為此，針對實際工業(yè)大數(shù)據(jù)存在的強(qiáng)非線性和多模態(tài)特性，從概率融合局部建模的角度，首次提出了一種基于質(zhì)量相關(guān)特征聚類（QRFC）的工業(yè)軟測量模型。在QRFC中，偏最小二乘（PLS）可以對建模的初始特征空間給出合理的、解釋性的指導(dǎo)。此外，通過均衡數(shù)據(jù)分組，使用統(tǒng)一的視角對不同的數(shù)據(jù)分布進(jìn)行建模。進(jìn)一步，引入調(diào)節(jié)變量學(xué)習(xí)特征空間，通過迭代方法完成輸出相關(guān)聚類，隱式構(gòu)建與質(zhì)量變量的相關(guān)性，從而形成整體預(yù)測能力的局部逼近。一般來說，這種框架的好處，包括更好的相關(guān)性一致性和更強(qiáng)的處理過程非線性和多模態(tài)的能力，導(dǎo)致了卓越的性能。為了評估所開發(fā)的軟測量模型的可行性和效率，以實際工業(yè)案例為例進(jìn)行了驗證。

　　論文鏈接：https://ieeexplore.ieee.org/abstract/document/9964255