基于支持向量機的回轉(zhuǎn)干燥窯生產(chǎn)過程建模與能耗優(yōu)化研究.pdf

1、中南大學博士學位論文基于支持向量機的回轉(zhuǎn)干燥窯生產(chǎn)過程建模與能耗優(yōu)化研究姓名：王欣申請學位級別：博士專業(yè)：控制科學與工程指導教師：陽春華20100501博士學位論文摘要(3)提出了改進的遺傳算法及免疫進化遺傳算法解決支持向量機模糊模型中超參數(shù)的優(yōu)化問題，改進的遺傳算法保留了遺傳算法全局搜索能力，同時為了克服遺傳算法收斂慢的不足，在后期融入了局部線性搜索；免疫進化遺傳算法將遺傳算法的搜索空間劃分為小生境，根據(jù)小生境中個體的濃度利用免疫進化

2、算法對適應值進行了修正，克服了遺傳算法易出現(xiàn)“早熟’’的問題。運行結果表明，兩種方法都能有效地找到最優(yōu)超參數(shù)，而改進的遺傳算法具有更快的收斂速度。(4)提出了基于多干燥階段多支持向量機的回轉(zhuǎn)干燥窯生產(chǎn)過程級聯(lián)模型的方法，利用多階段多支持向量機模糊模型確定干燥速率。針對建模時輸入樣本空間難以劃分的問題，提出了融入分區(qū)熵判斷準則的模糊C均值算法(FCM)，同時為了克服FCM算法對噪聲數(shù)據(jù)敏感問題，引入了可能性FCM聚類算法，討論了基于核函數(shù)

3、的聚類算法，提高了輸入樣本空間劃分的準確率。實驗結果表明，該級聯(lián)模型能提高預測精度，但增加了模型的復雜程度。(5)針對過多的支持向量降低模型的運算速度問題，提出了一種新的基于粒子群優(yōu)化算法的支持向量精簡方法，運用變長度粒子編碼，將預測精度直接作為性能指標，通過粒子群優(yōu)化算法獲得精簡支持向量集。結果表明該算法能在基本保持原預測精度的基礎上有效地減少了支持向量個數(shù)，提高了模型的運行速度。(6)在回轉(zhuǎn)干燥窯生產(chǎn)過程模型的基礎上，針對工程中帶約