改進(jìn)仿射傳播聚類的LS-SVM多模型建模方法.pdf

《改進(jìn)仿射傳播聚類的LS-SVM多模型建模方法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、第31卷第7期計(jì)算機(jī)與應(yīng)用化學(xué)Vo1．31，No．72014年7月28日ComputersandAppliedChemistryJuly28，2014改進(jìn)仿射傳播聚類的LS．SVM多模型建模方法熊偉麗，一，張乾，徐保國(guó)1,2(1．江南大學(xué)輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇，無(wú)錫，2141222．江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇，無(wú)錫，214122)摘要：多模型建模方法通常比單一模型建模方法適用范圍更廣、效果更佳，但也存在著因模型選擇失當(dāng)而導(dǎo)致發(fā)生錯(cuò)誤，為解決該問(wèn)題，提出了一種新的建模方法。該方法先用仿射傳播聚類算法實(shí)現(xiàn)數(shù)據(jù)聚類，并由最小二乘支持向量機(jī)建立各子模型。多模型

2、預(yù)測(cè)時(shí)需知道待測(cè)樣本對(duì)子模型的歸屬情況，則采用近鄰算法并結(jié)合隸屬度閾值來(lái)進(jìn)行判斷。當(dāng)待測(cè)樣本對(duì)某子模型的隸屬度大于閾值時(shí)，就由該子模型進(jìn)行預(yù)測(cè)；若對(duì)所有子模型的隸屬度均小于閾值時(shí)，則由K近鄰算法從訓(xùn)練樣本中選擇與該待測(cè)樣本相似的樣本組成相似樣本集，再采用最小二乘支持向量機(jī)建模并對(duì)該點(diǎn)預(yù)測(cè)將其應(yīng)用于青霉素發(fā)酵軟測(cè)量建模中，并與其它方法比較，結(jié)果顯示該方法是可行有效的，且能有效地克服當(dāng)前一些多模型建模方法存在的不足。關(guān)鍵詞：仿射傳播聚類算法；最小二乘支持向量機(jī)：K近鄰算法；多模型；青霉素中圖分類號(hào)：TP273文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001—4160(2014)07—802

3、—806DOh10．1l719／com．a(chǎn)pp．chem201407082種方法均存在著一些不足：第一種需要嚴(yán)格正確地實(shí)l引言現(xiàn)待測(cè)樣本的類別劃分，如果劃分錯(cuò)誤，預(yù)測(cè)結(jié)果也將工業(yè)生產(chǎn)過(guò)程往往是非常復(fù)雜的，由于單一模型建出現(xiàn)較大誤差；第二種是將各子模型之間的關(guān)系假設(shè)為模的學(xué)習(xí)時(shí)間長(zhǎng)、精度差和泛化能力弱等不足，通常難線性的，但在實(shí)際情況中，這種假設(shè)往往是不成立的[81。以對(duì)其進(jìn)行全面描述，因此，常采用基于聚類的多模型對(duì)此，本文提出了一種新的多模型建模方法。該方建模方法進(jìn)行建模。建?；舅悸肥牵合扔删垲愃惴ò逊ㄊ紫韧ㄟ^(guò)仿射傳播聚類算法對(duì)樣本進(jìn)行聚類，并采用數(shù)據(jù)劃為幾個(gè)子類，再

4、對(duì)每個(gè)子類建模，最后采用一定最小二乘支持向量機(jī)建立各子模型，由于待測(cè)樣本對(duì)各方式將子模型融合得到最終的全局模型[】】。子模型的歸屬情況可直接影響預(yù)測(cè)效果，故本文對(duì)待測(cè)聚類算法有多種，對(duì)數(shù)據(jù)聚類的結(jié)果也不大相同。樣本先由近鄰算法求出待測(cè)樣本對(duì)每一個(gè)子模型的隸傳統(tǒng)的聚類算法如k均值、模糊c均值等需人為設(shè)定初屬度，并設(shè)定相應(yīng)的隸屬度閾值，當(dāng)待測(cè)樣本對(duì)某一子始聚類中心和數(shù)目，故難穩(wěn)定且準(zhǔn)確的得到聚類結(jié)果[2】。模型的隸屬度大于相應(yīng)的閾值時(shí)，就由相應(yīng)子模型進(jìn)行仿射傳播聚類算法(Afinitypropagationclustering，AP)是預(yù)測(cè)，當(dāng)隸屬度小于所設(shè)閾值時(shí)，則在訓(xùn)練

5、樣本集中找種新的聚類算法，其聚類中心和數(shù)目不需事先指定，而出與待測(cè)樣本相似的樣本建立預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。用該由自身數(shù)據(jù)特性來(lái)自動(dòng)確定，具有更好的聚類效果[3】。方法建模能有效地解決待測(cè)樣本容易被錯(cuò)劃預(yù)測(cè)模型的最小二乘支持向量機(jī)(LeastSquares．SupportVector問(wèn)題，同時(shí)也能在待測(cè)樣本出現(xiàn)模型歸屬不清楚時(shí)重新Machine，LS．SVM)是由Suykens等人首先提出的，與標(biāo)利用訓(xùn)練樣本進(jìn)行建模和預(yù)測(cè)，盡可能的保證了模型的準(zhǔn)支持向量機(jī)相比，其主要特點(diǎn)在于優(yōu)化目標(biāo)使用的是精度和泛化能力。將其用于青霉素發(fā)酵軟測(cè)量建模中，平方項(xiàng)，只有等式約束，將二次規(guī)劃問(wèn)題變

6、為了求解線結(jié)果顯示所建模型具有較高的預(yù)測(cè)精度和較強(qiáng)的泛化能性方程組的問(wèn)題，因此很大程度上簡(jiǎn)化了計(jì)算的復(fù)雜性，力，是一種有效的建模方法。加快了求解速度【4】，目前，已在石油、化工等方面的軟2仿射傳播聚類算法測(cè)量建模中得到了廣泛應(yīng)用。多模型建模方法將系統(tǒng)劃分為若干子系統(tǒng)，再通過(guò)仿射傳播聚類算法是一種快速有效的聚類算法，它一定的方式將各子系統(tǒng)有效地進(jìn)行融合以提高模型的估依據(jù)自身的數(shù)據(jù)特性自動(dòng)產(chǎn)生結(jié)果，而不需要人為指定計(jì)精度和魯棒性，因此合理的融合方式對(duì)建模效果有著初始聚類中心和聚類數(shù)目，因而產(chǎn)生的聚類結(jié)果與對(duì)象重要影響，目前有2種主要的融合方法：第一種是用“切的真實(shí)特性更加一

7、致。換開(kāi)關(guān)”的方式將各子模型進(jìn)行融合，得到全局模型；仿射傳播聚類算法在開(kāi)始時(shí)將每一個(gè)樣本點(diǎn)都當(dāng)作第二種是將各子模型賦予權(quán)值融合為全局模型[6]。但這聚類中心，在循環(huán)迭代的過(guò)程中只有少數(shù)樣本點(diǎn)能競(jìng)爭(zhēng)收稿日期：2013—12—04；修回日期：2014．03．18基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)~(21206053，21276111)；中國(guó)博士后基金資助項(xiàng)目(2012M511198)；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)H(eAeD)作者簡(jiǎn)介：熊偉~(1978—)，女，河南人，博士，副教授，碩士生導(dǎo)師；徐保1~(1951—'，男，江蘇人，教授，博士生導(dǎo)師