資源描述：
《基于回歸支持向量機的軟測量建模研究.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。
1、文獻標識碼：A文章編號：1003—0492(2010)03．0076．03中圖分類號：TP391．9基于回歸支持向量機的軟測量建模研究ModelingforSoftSensorBasedonSupportVectorRegressionMachine邵聯(lián)合(1974一)男，黑龍江虎林人，工學碩士，大學講師，現(xiàn)就職于保定電力職業(yè)技術學院，主要研究方向為生產(chǎn)過程自動化及儀器儀表。摘要：軟測量技術是解決現(xiàn)代復雜工業(yè)過程中較難甚至無法由硬件在線1引言測量參數(shù)的實時估計問題的有效手段。本文介紹了基于回歸支持向量機建立在統(tǒng)計學習理論基
2、礎上的支持向量機(supportvector(SVR)算法的基本原理，并以非線性、時變、大滯后的PTA氧化過程為研究對象，使用SVR算法對4．CBA含量進行了預測。結(jié)果表明，與傳統(tǒng)預測machine，SVM)”。已成為當前機器學習領域的一個研究熱點。方法相比，采用SVR算法的預測模型，具有精確度高，泛化能力強等優(yōu)支持向量機采用結(jié)構風險最小化準則，在有限樣本情況下，得到點，是用于PTA氧化過程中4，CBA含量預測的一種有效的方法，具有很好現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值，的應用價值。解決了一般學習方法難
3、以解決的問題，如神經(jīng)網(wǎng)絡的局部最4,19關鍵詞：軟測量；數(shù)學模型；4-CBA；回歸支持向量機題、過學習以及結(jié)構和類型的選擇過分依賴于經(jīng)驗等固有的缺陷Abstract：Inthemodemcomplexindustrialprocesses，somevariablesarevery等問題，從而提高了模型的泛化能力。另外支持向量機把機器學hardtobemeasuredorevencannotbemeasuredon—linebyexistinginstruments習問題歸結(jié)為一個二次規(guī)劃問題，因而得到的最優(yōu)解不僅是全局an
4、dsensors．Soft-sensingtechnologycanefectivelysolvetheproblemofreal—最優(yōu)解，而且具有唯一性。SVM的方法最早是針對模式識別問題timeestimation．ThebasicprincipleofSupportVectorRegressionMachine提出的，Vapnik通過引入￡不敏感損失函數(shù)，將其推廣應用到非(SVR)algorithmwasintroducedinthispaper．FortheprocessofPTAoxidationwithnon-
5、linear,time-varying，largetimedelaycharacteristics，the4-CBA線性回歸估計中，得到了用于回歸估計的標準SVM方法，稱為回ContentwaspredictedbySVR．Thepredictedresultwascomparedwiththatof歸支持向量機(supportvectorregressor，SVR)’算法。traditionalforecastingmethods．ThecomparisonresultshowsthattheSVRhas2支持向量機回歸
6、算法原理beaerintegrativeperformance，highprecisionandgeneralizationability，SOitisanefectivemethodforbeingusedinforecastingof4-CBAcontentofPTAsVR算法的基礎主要是￡不敏感函數(shù)(￡一insensitivefunction)oxidationprocessandhasaverygoodapplicationvalue．和核函數(shù)算法。若將擬合的數(shù)學模型表達為多維空間的某一曲Keywords：Soft
7、—sensing；Mathematicalmodel；4-CBA；SupportVector線，則根據(jù)￡不敏感函數(shù)所得的結(jié)果就是包絡該曲線和訓練點的RegressionMachine“e管道”。在所有樣本點中，只有分布在“管壁”上的那一部分樣本點決定管道的位置。這一部分訓練樣本稱為“支持向量”(supportvectors)。為適應訓練樣本集的非線性，傳統(tǒng)的擬合方法通常是在線性方程后面加高階項。此法誠然有效，但由此增76自勛化博覽201O年O3月刊加的可調(diào)參數(shù)未免增加了過擬合的風險。SVR采用核函數(shù)解決這∑(-F,)-~(
8、+￡)一矛盾。用核函數(shù)代替線性方程中的線性項可以使原來的線性算maxW(Ⅸ，a)_max．1fⅡ·na·a法“非線性化”，即能作非線性回歸。與此同時，引進核函數(shù)達一寺∑∑(a一)(ccj—a)K(，xj)·i=lj=l到了“升維”的目的，而增加的可調(diào)參數(shù)卻很少，于是過擬合仍(6)能控制。其約束條件為：2
