支持向量機規(guī)則提取及其在甲醇合成過程建模的應用研究.pdf

1、支持向量機是在統(tǒng)計學習理論的基礎上，利用結(jié)構(gòu)風險最小化原則代替經(jīng)驗風險最小化原則，發(fā)展而來的一種機器學習新方法。在處理非線性、高維以及小樣本的機器學習問題中有著特有的優(yōu)勢，使得其在很多方面得到了很好的應用。然而，SVM是個“黑箱”模型，即模型代表的意義難以理解，不能以一種簡單的、透明的方式解釋它對一個新樣本的預測過程。由于缺乏透明性，在數(shù)據(jù)挖掘和決策支持領域以及安全性要求比較高的關鍵應用方面，其應用受到了一定的限制。
　　論文的研

2、究內(nèi)容主要包括以下兩方面：
　?。?）針對支持向量機（SVM）的“黑箱性”以及目前SVM的“黑箱性”研究主要采用規(guī)則提取方法解決分類問題，而回歸問題鮮有提及現(xiàn)狀。提出基于回歸樹算法的SVM回歸規(guī)則提取方法，算法充分利用支持向量的特殊性以及回歸樹的優(yōu)勢，建立支持向量的決策樹模型，成功提取出決策能力高、包含變量少、計算量小且容易讀取的規(guī)則。
　?。?）基于回歸樹算法可有效提取規(guī)則，但是傳統(tǒng)回歸樹算法葉節(jié)點通常采用算術(shù)平均數(shù)作為規(guī)

3、則的結(jié)果，缺陷是到達葉節(jié)點樣本較多且目標值浮動較大會導致訓練和預測的準確度嚴重下降，而且精度嚴重依賴于終止條件的設定值。由此提出的改進算法是在回歸樹的葉節(jié)點處采用最小二乘法擬合出對應的函數(shù)表達式，代替原算法中的算術(shù)平均數(shù)。
　　本文主要研究了支持向量回歸機的規(guī)則提取方法，明確了支持向量機模型輸入變量與輸出變量之間的關系，使其具有更直觀的可理解性，模型更加透明化。如將該方法應用到煤制甲醇實際生產(chǎn)的質(zhì)量監(jiān)控中，用于得到甲醇產(chǎn)率與工藝參