資源描述：
《試析基于ls-svm的軟測(cè)量建模方法研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、南京理工大學(xué)碩士學(xué)位論文基于LS-SVM的軟測(cè)量建模方法研究姓名：劉松青申請(qǐng)學(xué)位級(jí)別：碩士專(zhuān)業(yè)：控制理論與控制工程指導(dǎo)教師：向崢嶸20080615碩上論文基于LS．SVM的軟測(cè)量建模方法研究摘要軟測(cè)量技術(shù)是解決現(xiàn)代復(fù)雜工業(yè)過(guò)程中較難甚至無(wú)法由硬件在線(xiàn)測(cè)量參數(shù)的實(shí)時(shí)估計(jì)問(wèn)題的有效手段。稀土串級(jí)萃取分離過(guò)程復(fù)雜，具有非線(xiàn)性、時(shí)變、大滯后等特點(diǎn)，元素的組分含量難以在線(xiàn)測(cè)量。針對(duì)該問(wèn)題，本文在分析稀土元素在線(xiàn)測(cè)量現(xiàn)狀和總結(jié)傳統(tǒng)軟測(cè)量建模方法不足的基礎(chǔ)上，提出了基于最小二乘支持向量機(jī)(LS．SVM)的軟測(cè)量建
2、模方法進(jìn)行稀土萃取分離過(guò)程組分含量軟測(cè)量。全文圍繞基于LS．SVM進(jìn)行軟測(cè)量建模展開(kāi)了深入研究，主要內(nèi)容如下：(1)總結(jié)了傳統(tǒng)軟測(cè)量建模方法的不足，提出了采用LB．SVM建立軟測(cè)量模型實(shí)現(xiàn)稀土萃取分離過(guò)程元素組分含量的在線(xiàn)測(cè)量。研究了輔助變量的選擇和樣本數(shù)據(jù)的處理。(2)詳述了用于回歸的LS．SVM，針對(duì)LS．SVM缺乏“稀疏性”的缺點(diǎn)，在Suykens的LS．SVM稀疏算法基礎(chǔ)上進(jìn)行了改進(jìn)。(3)研究了網(wǎng)格搜索法確定LS．SVM模型參數(shù)，提出了基于改進(jìn)的LS．SVM軟測(cè)量建模方法，建立了組分含量軟
3、測(cè)量模型。仿真結(jié)果表明，LS．SVM組分含量軟測(cè)量模型比RBF神經(jīng)網(wǎng)絡(luò)模型具有更強(qiáng)的泛化能力。但是，網(wǎng)格法選擇參數(shù)耗時(shí)，只是插值驗(yàn)證，不是全局統(tǒng)一調(diào)節(jié)，得到的模型參數(shù)未必是最優(yōu)的。(4)針對(duì)網(wǎng)格法選取LS．SVM模型參數(shù)存在的不足，提出了基于量子粒子群算法(QPSO)選取LS．SVM模型參數(shù)，仿真結(jié)果表明，該方法選取參數(shù)運(yùn)算速度快、精度高。提出了基于QPSO．LS．SVM的軟測(cè)量建模方法，建立了組分含量軟測(cè)量模型，仿真結(jié)果表明，所建模型預(yù)測(cè)精度高。關(guān)鍵詞：稀土萃取，軟測(cè)量，最小二乘支持向量機(jī)，參數(shù)選
4、取，量子粒子群算法Abstract碩上論文Inmodemcomplicatedindustrialprocess，somevariablesareveryhardtobemeasuredorevencannotbemeasuredon-linebyexistinginstrumentsandsensors．SoftsensoriSalleffectivemeansofimplementingtheon—lineevaluationofthesevariables．Therare．earthproce
5、ssbycountercurrentextractioniscomplex，characterizedofnonlinearity,time．variantproperties，andseverelags．Componentcontentisdifficulttobemeasuredonline．Toresolvethisproblem，anonlinepredictionmethodOfcomponentcontentusingsoftsensorsbasedonleastsquaressuppo
6、rtvectormachinewasproposed，throughanalysingthecurrentstateofcomponentcontentonlinemeasurementandthe，disadvantagesoftraditionalsoftsensormodelingmethods．111eauthormainlyfocusesontheresearchonsoftsensormodelingmethodbasedonLS—SVM．Themainworksofthethesisa
7、relistedasfollows：(1)Thedisadvantagesoftraditionalsoftsensormodelingmethodsweresummarized，andanonlinepredictionmethodofcomponentcontentusingsoftsensorsbasedonleastsquaressupportvector．machinewasproposed．Then，auxiliaryvariableselectionandsampledataproce
8、ssingwerepresented．(2)TheLS—SVMforregressionmodelingwasstudied，sincethedrawbackofsparsenesslostwi戧1inthestandardLS—SVM．a(chǎn)nimprovedLS．SVMbasedonSuykens’SsparsenessalgorittunWaSproposed．(3)Aparameterselectionmethodbasedon鰣dsearchwasstudied
