Soft sensor development based on improved just‐in‐time learning and relevant vector machine for batch processes
Notice bibliographique
Résumé
Abstract The online measurement of key quality variables based on soft sensors plays a critical role in ensuring the safety and stability of batch processes. Recently, the relevant vector machine (RVM) was introduced into soft sensors for batch processes. However, the RVM‐based soft sensor has limitations in addressing the time‐varying, high‐dimensional, and dynamic data of batch processes. To address these issues, based on improved just‐in‐time learning and the relevant vector machine, an adaptive soft sensor, termed IJITL‐RVM, is proposed in this paper. The IJITL‐RVM integrates the IJITL algorithm and the RVM algorithm into a unified online modelling framework with the ability to perform adaptive updating and dynamic modelling. First, to enhance the performance of online prediction, an IJITL is designed to select modelling data based on the support vector data description (SVDD) algorithm and the kernel trick. Based on the comprehensive consideration of the strong nonlinearity and high dimensionality of process data, the IJITL can adaptively and accurately select the modelling data. Afterward, a local model is established by using the RVM for online prediction. Three applications, including a numerical simulation example, some UCI datasets, and a penicillin fermentation process, are provided to illustrate the superiority of the IJITL‐RVM‐based soft sensor.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».