11.5.3　数据驱动模型

用智能计算方法开发的经验模型通常被认为是数据驱动模型。如果有大量描述该问题的数据可用，则数据驱动的模型对于解决实际问题或对特定系统或过程进行建模将非常有用，前提是在模型涵盖的期间内建模系统没有显著变化。然而，在数据驱动模型的实际应用中的主要挑战在于，在有限的实验室条件下根据试验数据建立的模型可能不适用于安装了流量计量系统的过程条件。在实际条件下可能会影响模型性能的因素包括管道直径、管道方向，流速和相分数范围，以及被测流体的温度、压力和黏度。只要有可靠的参考数据或历史数据可用，就可以对数据驱动模型进行测试。

为期望的输出开发最优模型并增强模型的泛化能力，应考虑两个方面：输入变量的选择和模型评估。输入变量的选择是从可用数据中提取有用的信息，并确定合适的输入变量，这些变量能够很好地解释数据驱动模型的期望输出。通过选择输入变量来消除无关变量或冗余变量，简化了模型结构的复杂性，提高了计算效率，这些模型包括特征选择或变量选择。因此，输入变量选择是数据驱动建模中的重要步骤。May等对人工神经网络输入变量选择方法的综述，提供了有用的指导。