面向酿酒过程多模型软测量建模的多视角大规模模糊聚类方法研究

The data collected from the brewing process are becoming larger and larger and even contain multi-view information, which poses a great challenge to current studies on fuzzy clustering. Motivated by such a challenge, this project aims to develop large-scaled multi-view fuzzy clustering algorithms for the multiple soft sensing models in practical brewing process. Firstly, a novel multi-view based adaptive fuzzy clustering algorithm named MV-AFC will be developed by integrating with the mechanical model of fermentation for the brewing process. Secondly, a novel progressive sampling strategy using a novel second order differential Monte Carlo sampling will be developed and accordingly a fast multi-view fuzzy clustering algorithm fast-MV-AFC will be proposed for clustering on large-scaled data. Thirdly, a novel multiple view adaptive fuzzy clustering algorithm will be developed for domain adaptation. Our work in the past years has provided solid foundation for this project.

由于酿酒发酵过程数据采集的设备呈现多组化，多视角化以及智能化的特点，导致采集的数据具有数据量大、多视角和演化等重要特性，为模糊聚类技术在此领域的应用提出了重要挑战。本项目拟针对酿酒过程多模型软测量建模的实际需要，探索面向酿酒过程多模型软测量建模的多视角大规模模糊聚类方法。研究内容包括：（1）结合酿酒发酵过程的机理模型，研究面向多视角数据的自适应模糊聚类新方法MV-AFC；（2）研究基于二阶差分的蒙特卡罗自适应采样新方法，以渐进采样为策略，以实现大规模数据环境下的快速模糊聚类；（3）开发领域自适应多视角模糊聚类学习算法DA-MV-AFC，以实现演进渐变式学习。课题组前期工作为本课题的展开提供了充分的技术准备。

由于酿酒发酵过程的数据采集设备呈现多组化，多视角化以及智能化等特点，导致采集的数据具有大规模、非线性、多视角和不断演化等重要特性，为模糊聚类技术在此领域的应用提出了重要挑战。为此，本项目拟针对酿酒过程多模型软测量建模的实际需要，探索面向酿酒过程多模型软测量建模的模糊聚类新方法。研究内容包括：（1）结合酿酒发酵过程的多视角特性，研究面向多视角数据的自适应模糊聚类新方法；（2）面向酿酒数据的非线性特性，研究基于深度特征表示的模糊聚类新方法及非线性切换回归技术；（3）开发具有距离度量自适应学习功能的模糊软子空间聚类学习算法，以实现发酵过程自适应学习。本研究表明，本课题所开发的多种模糊聚类学习理论和方法对多模型软测量建模是有效的。因此本课题对于智能计算及其应用研究以及发酵产业均具有重要的学术和实用价值。