龔沛文，李春富，葛 銘

(杭州電子科技大學自動化學院，浙江杭州310018)

0 引言

部分最小二乘方法自Wold提出以來，作為一種基于數據回歸模型的軟測量建模方法，已廣泛地應用于化學計量學、工業(yè)過程的建模等領域［1］?；趥鹘y(tǒng)PLS出現(xiàn)的問題，目前出現(xiàn)了一系列遞推算法來更加有效的更新PLS模型。該文研究了PLS回歸的一種快速算法—改進的PLS核心算法，并在此基礎上重新推導出遞推的PLS算法，此算法提高了模型的運算速度。最后對煤氣化爐合成氣組分濃度的軟測量建模進行了應用分析。

1 PLS核算法

PLS模型參數的計算通常采用非線性迭代部分最小二乘算法。然而對于大的數據矩陣，迭代算法效率比較低，而且NIPALS算法在迭代過程中需要存貯原始數據矩陣X和Y、殘差矩陣E和F、得分矩陣T和負荷矩陣P、Q，當數據矩陣很大時將占用大量內存，且計算時很耗費時間。

針對這個問題提出來一種核算法，有效地改善了計算大數據矩陣的PLS參數問題［2］。對于“矮胖”的數據矩陣，PLS模型參數可以用協(xié)方差矩陣XXT和XTY來計算。當計算下一組參數時，只需要更新XXT和XTY。而兩矩陣維數遠遠小于原矩陣X和Y的維數，計算速度可有較大提高。該算法的詳細步驟:

(1)首先，令(XXT)1=XXT，(XTY)1=XTY，a=1。再計算協(xié)方差矩陣XXT和XTY;

(2)計算核矩陣(XTYYTX)a，這是由矩陣(XTY)a乘以其轉置得到的;

(3)根據XXT和XTY計算負荷向量pa和qa

式中，向量wa代表PLS權值向量，它是對應于矩陣(XTYYTX)a最大特征值的特征向量，可以通過冪法或者其它方法計算得到;

(4)更新XXT和 XTY

(5)令a=a+1，返回第二步，直到計算出所有需要的特征向量。

2 遞推的PLS算法

該文在原始的PLS核心算法基礎上，提出了一種遞推的部分最小二乘算法。該算法是利用新數據和PLS模型參數組合起來更新模型，使得新模型在并不完全遺忘舊信息的基礎上適應過程的新變化。

假設數據矩陣{X，Y}具有m個輸入變量，p個輸出變量，n個樣本，采用如下形式表達對應于數據矩陣的 PLS 模型結果{T，W，P，B，Q}:

式中，假設 X 的秩為 r，T=［t1，t2，…，tr］為輸入的得分矩陣，W=［w1，w2，…，wr］為輸入的權值矩陣，P=［p1，p2，…，pr］和 Q=［q1，q2，…，qr］為輸入和輸出的負荷矩陣，B=diag{t1，t2，…，tr}為對角矩陣。

為了方便推導，將特征向量tx(x=1，2，…，r)歸一化，把T標準正交。于是則有:

又矩陣Fr與T正交，由式9、10可推導出:

當加入新數據{X1，Y1}和舊數據 {X，Y}共同更新模型時，數據矩陣可寫為:則有以下公式:

同理可得:

因此，由式10、11可以得知，對現(xiàn)有全部數據的回歸等價于對新數據結合老數據而得到的PLS模型參數回歸。由此很容易推導出RPLS算法，步驟如下:

(1)確定過程變量，選擇模型參數;

(2)采集數據，構造原始數據矩陣{X，Y}，并對其進行數據預處理;

(3)采用PLS的核心算法計算出PLS模型{X，Y}—PL→S{T，W，P，B，Q};

(4)加入新數據后，根據步驟1進行數據預處理，然后利用遺忘因子法對舊參數矩陣進行加權，即用遺忘因子可用遺忘因子λ(0＜λ≤1)與舊參數矩陣相乘從而達到削弱舊數據對建模的影響的作用，再和舊參數組成新數據矩陣，最后返回步驟3。

3 RPLS算法在軟測量建模中的應用

該文以煤氣化爐裝置為建模對象，根據現(xiàn)場工藝以及反應機理的分析，一共選擇11個過程變量作為模型的輸入變量，合成氣組分CO作為模型的輸出變量。首先取43個初始數據集合建立PLS模型，同時為了在更新模型時不丟失原數據的信息，在建立PLS模型時需要保留的特征向量數目要足夠多，可根據對響應變量的解釋程度來確定。當新增加的特征向量對響應變量的解釋程度小于某個閾值，或者新增一個特征向量之后，對響應變量總的解釋程度大于某個閾值，比如90%，則停止增加特征向量，利用已經提取的特征向量進行預測。

然后取第44到第64的數據為第二組數據，預測結果如圖1所示，虛線為實際值，實線為模型預測值。仿真表明預測結果誤差較大，尤其是第58個數據點的值突然變大，因此，模型需要及時更新。該文采用遞推的PLS算法來對模型進行更新。在新數據到來后，和舊模型參數矩陣進行PLS回歸，得到更新后的模型再對第二組數據進行預測，結果如圖2所示。兩種不同模型的性能比較如表1所示?？梢钥闯?，模型更新后的預測均方根誤差有較大減小，模型的預測精度有了很大的提高。

圖1 模型對第二組數據的預測結果

圖2 更新后的模型對第二組數據的預測結果

表1 兩種模型的性能比較

4 結束語

該文以一種新的推導方式，提出了遞推的部分最小二乘算法。該算法可以根據新的數據和舊的PLS模型參數更新模型，而不需采用全部數據。仿真結果表明該算法可以有效的更新模型，使模型適應過程的變化。然而，在建立模型時所確定的特征向量個數不一定是最優(yōu)的。因此，在線更新模型時，如何確定用于預測的最優(yōu)特征向量數，還有待進一步研究。

［1］ Wold H.Nonlinear estimation by iterative least squares procedures［J］.Research Papers in Statistics，1966，12(5):134－139.

［2］ Lindgren F，Geladi P，Wold S.The kernel algorithm for PLS［J］.Chemometrics，1993，7(22):45 －59.

［3］ 張杰，陽憲惠.多變量統(tǒng)計過程控制［M］.北京:化學工業(yè)出版社，2000:2－67.

［4］ 李凡，吳強，楊英華，等.基于遞推PLS的自適應鋼溫軟測量模型［J］.控制工程，2007，8(2):147－150.

［5］ Helland I S.On the structure of partial least squares regression［J］.Comm.Statist.B-Simulation Compute，1988，17(3):581－607.

［6］ Lakshminarayanan S，Shah S L，Nandakumar K.Modeling and control of multivariable processes:dynamic PLS approach［J］.AIChE Journal，1997，43(9):2 307 －2 322.