資源描述：
《支持向量機(jī)及其在軟測(cè)量中的應(yīng)用》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(kù)。
1、華東理工大學(xué)碩士學(xué)位論文第I頁(yè)支持向量機(jī)及其在軟測(cè)量中的應(yīng)用摘要統(tǒng)計(jì)學(xué)習(xí)理論是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)研究熱點(diǎn)，它為有限樣本學(xué)習(xí)問(wèn)題提供了一個(gè)統(tǒng)一的框架。建立在該理論基礎(chǔ)上的支持向量機(jī)，以其優(yōu)異的小樣本學(xué)習(xí)能力、較強(qiáng)的抗干擾能力和較好的模型推廣能力引起了工程技術(shù)界的關(guān)注，在最近幾年得到了不斷的發(fā)展和應(yīng)用。本文討論了統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的基本概念，結(jié)合數(shù)據(jù)分類(lèi)問(wèn)題具體闡述了支持向量機(jī)的基本理論。同時(shí)研究了支持向量機(jī)用于數(shù)據(jù)回歸的具體方法，并且應(yīng)用該方法進(jìn)行函數(shù)逼近和函數(shù)估計(jì)仿真研究，仿真結(jié)果表明該方法訓(xùn)練所需樣本少，所建模型
2、結(jié)構(gòu)簡(jiǎn)單以及對(duì)噪聲有較好的濾波能力.本文基于支持向量機(jī)回歸方法的優(yōu)點(diǎn)，提出了一種新的軟測(cè)量建模方法—基于支持向量機(jī)的軟測(cè)量方法，并應(yīng)用該方法建立了加氫裂化裝置航煤千點(diǎn)的軟測(cè)量模型，與基于RBF網(wǎng)絡(luò)的建模方法相比，該方法模型誤差控制較好，能在較少的訓(xùn)練樣本下獲得性能比較好的模型，同時(shí)該方法建立的模型結(jié)構(gòu)簡(jiǎn)單具有很好的推廣能力。關(guān)鍵詞:支持向量機(jī)統(tǒng)計(jì)學(xué)習(xí)理論回歸估計(jì)軟測(cè)復(fù)、J/份/`/、/第11頁(yè)華東理工大學(xué)碩士學(xué)位論文SupportVectorMachinesandItsApplicationtoSoft-sensingMode
3、llingABSTRACTStatisticallearningtheory(SLT)iscurrentlyahotspotinmachinelearningresearchfield,anditafordsageneralframeworkforlearningwithlimitedsamples.Supportvectormachines(SVM)algorithm,basedonSLT,isatendedinengineeringfieldswithitsexcellentlearningcapabilityusings
4、mallsamples,thestrongabilityofanti-noiseandgoodgeneralizationperformance,anditisdevelopedrapidlyandhasbeenappliedsuccessfullyinmanyfieldsinpastyears.Inthepaper,basisconceptofSLTandstructuralriskminimizationinductionprincipleispresented,andessentialtheoryofSVMisexpat
5、iatedbysolvingtheclassifierquestion.RegressionestimationapproachbasedonSVMisalsodiscussed,andtheresultsofsimulationonfunctionapproximationandestimationindicatethemeritsofthislearningalgorithm:learningusingsmallsamples,simplemodelstructureandgoodfilteringability.Duet
6、othemeritsofSVMregressionapproach,anewsoft-sensingmodelingalgorithm--soft-sensingmodelingbasedonsupportvectormachines,isproposed,andthemodelofjet-fuelendpointinhydrocrackingfractionatorsisestablished.ComparingthemodellingapproachwithRBFneuralnetworks,thisapproachisa
7、daptedtomodellingwithfewersamples,andachievesgoodperformances.KeyWords:SupportvectormachinesStatisticallearningtheoryRegressionestimationSoft-sensing作者聲明我鄭重聲明:本人悟守學(xué)術(shù)道德，崇尚嚴(yán)謹(jǐn)學(xué)風(fēng)。所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的結(jié)果。除文中明確注明和引用的內(nèi)容外，本論文不包含任何他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的內(nèi)容。論文為本人親自撰寫(xiě)，并對(duì)所寫(xiě)內(nèi)容負(fù)責(zé)。
8、論文作者簽名:策，刻:雖又1119a年/a月a夕日華東理工大學(xué)碩士學(xué)位論文第1頁(yè)第1章緒論1.1機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)理論1.1.1機(jī)器學(xué)習(xí)基于數(shù)據(jù)的機(jī)器學(xué)習(xí)是現(xiàn)代智能技術(shù)中的一個(gè)重要領(lǐng)域，它根據(jù)采樣得到的樣本數(shù)據(jù)研究系統(tǒng)輸入、輸出各變量之間的關(guān)系(相關(guān)關(guān)系或函數(shù)關(guān)系)，建立系統(tǒng)
