乔俊飞,郭子豪,3,汤健
(1 北京工业大学信息学部,北京100124; 2 计算智能与智能系统北京市重点实验室,北京100124;3 北京轨道交通技术装备集团,北京100071)
复杂工业过程采集和存储的样本数量随着自动化和信息化程度的提高而日渐增大,但建模及控制算法所需要的覆盖多种工况的特定样本或极端样本往往比较稀缺。同时,这些工业过程的部分难以检测质量或环境污染指标的检测时间和经济成本极高,这使得用于构建相应的预测模型的建模数据呈现出小样本特性[1]。研究表明,如果数据分布呈现离散或松散结构,即在采样点之间存在较大间隙,或者并没有根据基础数据变化规律进行有效采集,也将导致建模数据具有“小样本”特性[2],即特征容量小、数据不连续、样本多样性差等[3]。以在生活垃圾的无害化、减量化和资源化处理等方面具有显著优势的城市固废焚烧(MSWI)过程为例[4],MSWI过程会产生对人类健康和生态环境造成巨大潜在危害的剧毒持久性有机污染物,即二英(DXN)[5]。此外,DXN 也是造成MSWI 建厂存在“邻避效应”的主要原因。面对世界范围内限制排放的污染物DXN,目前MSWI 企业的主要关注点是如何通过优化控制焚烧运行参数实现其排放的最小化[6]。显然,实现DXN的优化减排的关键点之一是实现DXN的在线检测。针对MSWI 过程的DXN,主要检测方法包括离线直接检测法、指示物/关联物在线间接检测法和软测量方法[1]。目前,实际工业现场多以月或季为周期采用离线直接检测法获得DXN 排放浓度,进而导致DXN 的有标记建模样本数量极其稀缺。……