基于分位数回归CGAN的虚拟样本生成方法及其过程建模应用

陈忠圣，朱梅玉，贺彦林，徐圆，朱群雄

（1 北京化工大学信息科学与技术学院，北京100029； 2 智能过程系统工程教育部工程研究中心，北京100029）

引 言

复杂噪声环境下非线性过程建模一直是学术界和工业界的难点[1-3]。由于不需要深入了解过程的反应机理，以神经网络为代表的数据驱动建模方法能够学习和提炼过程累积的历史数据，在过程工业中得到大规模的应用。然而，一方面，这些数据驱动的建模方法对数据的数量和质量依赖性强。另一方面，现代流程工业过程引进了先进的控制系统和生产管理系统，可以实现很好的系统稳定控制，使得流程系统运行数据虽然海量但波动很小，某种程度上相当于数据重复采样，数据覆盖程度和代表性不佳。另外，由于数据获取成本较高或发生概率较小等原因，致使面临有用数据有限甚至稀缺。这些数据又存在强非线性、噪声、缺失和不确定性等特点，主要体现在数据不平衡、不完备、不精确、不可靠等[4-5]。这就带来了噪声环境下样本扩充问题，即如何借助人工智能数据预处理的方法生成克服噪声干扰的平滑数据，且又要要求所产生的数据具有高的保真度。

统计学习理论率先建立了一套严格的理论，为有限样本学习奠定了坚实理论基础。在统计学理论下，支持向量机作为一种经典的有限样本通用学习算法，通过间隔对数据分布进行结构化描述，虽然减少了对样本量和样本分布的要求，但难以克服由噪声和异常值带来的影响。……