資源描述：
《基于支持向量機(jī)的過程工業(yè)數(shù)據(jù)挖掘技術(shù)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、浙江大學(xué)博士學(xué)位論文摘要論文以聚酯工業(yè)產(chǎn)業(yè)鏈中的兩個(gè)關(guān)鍵過程對(duì)二甲苯(Para-Xylene，簡(jiǎn)稱vx)吸附分離、氧化過程為背景，以SVM方法為工具，從數(shù)據(jù)挖掘的角度分別對(duì)預(yù)言型數(shù)據(jù)挖掘和探索型數(shù)據(jù)挖掘在PX工業(yè)中的應(yīng)用進(jìn)行了研究。最后在提出算法的基礎(chǔ)上實(shí)現(xiàn)了一個(gè)數(shù)據(jù)挖掘的軟件平臺(tái)ESP．PISDMS。論文主要的研究工作可以概括為如下幾個(gè)方面，(1)提出了一種改進(jìn)的SVM分類算法。從測(cè)試樣本是否滿足KKT條件出發(fā)，分析新增樣本和原有樣本交互學(xué)習(xí)中支持向量集構(gòu)成的變化，將盡可能多的可能包含支持向量的樣本選入當(dāng)前的工作訓(xùn)練集中，提高算法精度。通過合理地劃分樣本集的大小，
2、和傳統(tǒng)的算法相比該算法在處理大規(guī)模樣本時(shí)具有較高的精度和訓(xùn)練速度，并且非常適用于在線增量學(xué)習(xí)。(2)提出了兩種基于SVM的增量建模方法SVMIL和ISVM，隨著時(shí)間推移，每次在模型中增加一批(一個(gè))樣本進(jìn)行增量學(xué)習(xí)的同時(shí)，采用啟發(fā)式策略去掉工作集中一批(一個(gè))樣本，這樣可以在軟測(cè)量建模中不斷增加能夠代表新工況信息樣本的同時(shí)控制工作樣本集的規(guī)模。將提出的軟測(cè)量建模方法用于PX吸附分離過程PX純度的預(yù)測(cè)中，并和其他方法作了比較。(3)提出了兩種用于模糊SVM的模糊隸屬度函數(shù)．基于kNN的隸屬度函數(shù)和基于支持向量數(shù)據(jù)域描述(sVDD)的隸屬度函數(shù)。前者在特征空間中根據(jù)樣本
3、與其最臨近樣本點(diǎn)的距離來確定其隸屬度，后者首先得到訓(xùn)練集中樣本的數(shù)據(jù)域描述模型，然后根據(jù)每個(gè)樣本偏離數(shù)據(jù)域的程度賦予不同的隸屬度。將提出的模糊隸屬度函數(shù)模型及其建模方法用于工業(yè)PX氧化過程中4-CBA濃度預(yù)測(cè)的問題中，并和其他方法作了比較，提出的模型可以有效減少回歸誤差，提高SVM抗噪聲的能力。(4)提出了一種基于SVM的超矩形規(guī)則提取算法HRE。在HRE算法中，數(shù)據(jù)樣本先被映射到一個(gè)高維的特征空間中，用于得到樣本的最優(yōu)分類超平面以及支持向量，然后在一些啟發(fā)式條件的限制下，在得到的支持向量和聚類中心的基礎(chǔ)上構(gòu)建超矩形規(guī)則。在HRE中控制規(guī)則的支持度以及數(shù)量非常容易，
4、得到的規(guī)則具有更高的質(zhì)量。摘要f5)提出了一種基于HRE的超矩形關(guān)聯(lián)規(guī)則挖掘(HARM)算法。HARM算法以HRE為基礎(chǔ)，將由HRE得到的規(guī)則采用一些方法如規(guī)則合并、維數(shù)約簡(jiǎn)、區(qū)問延伸等方法進(jìn)一步簡(jiǎn)化，使得其變得更加簡(jiǎn)潔。將提出的算法用于模擬移動(dòng)床PX吸附分離過程中，用于得到過程操作變量和質(zhì)量指標(biāo)如純度、產(chǎn)率之間的關(guān)聯(lián)關(guān)系，并根據(jù)工藝分析以及現(xiàn)場(chǎng)經(jīng)驗(yàn)，使得挖掘得到的規(guī)則大部分能夠得到很好地解釋，將得到的規(guī)則用于調(diào)整生產(chǎn)、優(yōu)化操作，對(duì)實(shí)際生產(chǎn)具有一定的指導(dǎo)意義。(6)提出一種過程工業(yè)數(shù)據(jù)挖掘系統(tǒng)的5P模型，以簡(jiǎn)化數(shù)據(jù)挖掘流程、降低數(shù)據(jù)挖掘門檻為目的實(shí)現(xiàn)了一個(gè)數(shù)據(jù)挖掘平
5、臺(tái)軟件ESP．PIDMS，采用兩層C／S構(gòu)架，服務(wù)器端由處理庫、挖掘庫、結(jié)果庫、挖掘內(nèi)核等部分組成，客戶機(jī)端包含用戶建模界面和結(jié)果瀏覽器，挖掘過程各個(gè)部分模塊結(jié)構(gòu)化，并且提供了一些接口，最后在ESP．PIDMS上建立一些過程的應(yīng)用模型。關(guān)鍵詞：過程工業(yè)，數(shù)據(jù)挖掘，支持向量機(jī)，對(duì)二甲苯，精對(duì)苯二甲酸II浙江大學(xué)博士學(xué)位論文Inthisdissertation，severalissuesandthecorrespondingsolutionsaboutdataminingtechnologybasedonsupportvectormachines(SVM)aredisc
6、ussed．BasedonSVM，somealgorithmsofdataminingareproposed．ThentheproposedalgorithmsareappliedtoapracticalindustryprocessofPX．Themaincontributionsaredescribedasfollows，(1)AnewincrementalSVMlearningalgorithm(FS—SVM)isproposed．Thetrainingsamplesandincrementalsampleswillinfluenceeachotherwhen
7、incrementalsamplesareaddedintothecurrentworkingset．InFS-SVM，supportvectorsareselectedasmuchaspossibleimoc“仃5朋fwork訊gset幻；,ncreasethepredictedaccuracy．ThesimulatedresultonUCIAdultdatasetsindicatesthattheproposedalgoritlunCanefficientlyincreasetheaccuracyandspeed．(2)Inordertoovercomemo
