資源描述：
《基于支持向量機(jī)的工業(yè)數(shù)據(jù)挖掘技術(shù)研究》由會員上傳分享，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、摘要支持向量機(jī)方法和數(shù)據(jù)挖掘領(lǐng)域是現(xiàn)在國內(nèi)外學(xué)術(shù)界的研究熱點(diǎn)。數(shù)據(jù)挖掘在許多商業(yè)應(yīng)用中都取得了十分理想的效果，但是在流程工業(yè)生產(chǎn)過程中，應(yīng)用數(shù)據(jù)挖掘成功的例子還不多見。本論文在經(jīng)典的數(shù)據(jù)挖掘算法中結(jié)合了支持向量機(jī)方法，并針對每個(gè)算法給出了用于實(shí)際工業(yè)控制項(xiàng)目的例子，討論了基于支持向量機(jī)的數(shù)據(jù)挖掘方法在工業(yè)應(yīng)用中的利弊。論文的主要內(nèi)容包括以下三個(gè)方面：首先，論文描述了基于核主元分析結(jié)合支持向量機(jī)的工業(yè)建模預(yù)測。復(fù)合肥生產(chǎn)工藝過程比較復(fù)雜，采用傳統(tǒng)方法對復(fù)合肥養(yǎng)分含量建模難以達(dá)到理想效果。在直接使用支持向量回歸建模時(shí)，數(shù)據(jù)預(yù)處理、核函數(shù)參數(shù)選擇是兩個(gè)難點(diǎn)
2、。論文提出一種KPcA．SvR方法，結(jié)合了兩種核方法的優(yōu)點(diǎn)，又提出了一種核參數(shù)選擇的改進(jìn)算法，并融合到KPcA．SvR方法中，通過對實(shí)際工業(yè)數(shù)據(jù)的仿真研究，結(jié)果表明該方法取得了很好的效果。其次，論文重點(diǎn)描述了基于支持向量機(jī)的關(guān)聯(lián)規(guī)則提取。文中提出了一種基于支持向量機(jī)的關(guān)聯(lián)規(guī)則提取方法，通過支持向量聚類、數(shù)據(jù)域描述等方法來歸類樣本數(shù)據(jù)，利用得到的支持向量來提取規(guī)則。該方法充分發(fā)揮了支持向量機(jī)處理小樣本非線性能力強(qiáng)、泛化性能好的優(yōu)勢，并克服了其分類函數(shù)可理解性差的缺點(diǎn)，同時(shí)把經(jīng)典sM0算法的思想引入來提高關(guān)聯(lián)規(guī)則提取的執(zhí)行效率。在標(biāo)準(zhǔn)數(shù)據(jù)集和實(shí)際數(shù)據(jù)的仿
3、真中取得了較好的效果，為關(guān)聯(lián)規(guī)則提取提供了一個(gè)新的思路。最后，在文中詳細(xì)介紹了一個(gè)具體的工業(yè)數(shù)據(jù)挖掘的應(yīng)用實(shí)例——株洲冶煉集團(tuán)硫酸廠的數(shù)據(jù)挖掘軟件。該軟件將關(guān)聯(lián)規(guī)則、分類、聚類、回歸等數(shù)據(jù)挖掘算法應(yīng)用到鉛燒結(jié)煙氣wsA制酸過程中。另外，該軟件還包括三維圖像顯示、在線指導(dǎo)等其他功能。通過使用數(shù)據(jù)挖掘軟件，可以得到更多的鉛燒結(jié)煙氣wSA制酸過程中的信息，使變量的關(guān)系更加清晰，也方便了工作人員的操作。關(guān)鍵字：工業(yè)數(shù)據(jù)挖掘，支持向量機(jī)，關(guān)聯(lián)規(guī)則，聚類，主元分析，數(shù)據(jù)挖掘軟件浙江大學(xué)碩士學(xué)位論文AbstractSupponVectorⅡlachinesand№
4、milliIlgaretwopopularresearchtopicss刪iedbydomesticalldoVerseasscholarsnowadays．Da衄miIlingh船achieVedlotsofaccomplisllInentiIlb璐iIless、釉rldaIldomerfields．H0weVer'processdatamillingcombinedwimSVMl瑚fewsuccess蹦ex唧1esinindus略Intllisp印er，somedataminingalgorimmscombinedwi也SVMarepropose
5、dandappliedinindushyITtlerearesomemainwOrksinthisp印er嬲renderedbelowFirstofall，amI。tllodwhichcombines誦mSⅥⅥ蚰dKPCAispr叩osedaIldappliedintllecompollIldfertilizerpmductionwhichissocomplexthatt11e刪monalmemodscouldnotgetagoodresultonmodelingoffertilizer’s∞mJ)oI呦t．UsingsupponVectorregr
6、essiondi-ectly'datapr印mcessandkemelp猢etersselectionsareh砌probl鋤s．hthjsp印er’aKPCA-SⅥ己methodispmposed．Thekemelprincipalcompon曲tanalysisisllsedtoprocessdatainordertogetnonlinearp血cipalco玎叩orlcflt趾dgetnoiseda_tao正111en觚improvedparametersselectionmetllodisintmducedtoprcdictthe丘nalco
7、InponemoftllecoIIlpoundf苦nilizer．SimlllatioⅡre叭ltsb淞edonpmcticali11m倒耐aldatashowmee丘bctivenessoft11epr叩osedmodelingapproach．Secondly’anewwayof船sociationmlesex廿actionbasedonSVMisproposedinthisp印er．TheSVC鋤dda切descriptionisusedtoa11alyzetlles鋤1pledata，aIldtheobtailledsq)ponv∞t0礙ar
8、eusedt0getthe_associationnllesinmjsmethod．Itt以∞sadv鋤詛g
