最小二乘支持向量機算法研究及應用.pdf

1、隨著過程工業(yè)的大型化、綜合化、復雜化，工業(yè)過程的建模難度也愈來愈大。它不僅涉及到工業(yè)對象的非線性、不確定性、大時滯、參數(shù)分布性和時變性等內在的復雜機理問題，而且涉及到客觀環(huán)境和“人為”環(huán)境的作用問題。因而，過程建模也突破了傳統(tǒng)的機理建模和統(tǒng)計建模等框架，從較為廣闊的視野綜合運用控制理論、信息處理、現(xiàn)代統(tǒng)計理論和優(yōu)化技術來實現(xiàn)工業(yè)過程建模。
　　 支持向量機是近十多年來發(fā)展起來的一種基于結構風險最小化原則的核學習方法，由于其克服了

2、神經網絡模型結構不確定和過擬合問題，目前在分類和回歸問題中得到了廣泛應用。最小二乘支持向量機是支持向量機的一種擴展，它把支持向量機的不等式約束改為等式約束，從而避免了求解二次規(guī)劃問題，能夠得到模型的解析解。論文主要開展了如下研究：
　　 對工業(yè)對象非線性建模做了回顧總結，研究了機理建模、經驗建模和混合建模的發(fā)展現(xiàn)狀；研究了統(tǒng)計學習理論中的VC維、結構風險最小化等基本概念，支持向量機分類和回歸問題的基本理論，以及最小二乘支持向量機

3、分類和回歸的基本算法。
　　 針對某廠異構化裝置，用最小二乘支持向量機方法進行了建模研究。論文介紹了對二甲苯異構化裝置的工藝流程，分析了影響對二甲苯產量的各種因素，確定了模型的輸入變量和輸出變量，采集了工業(yè)現(xiàn)場數(shù)據(jù)，建立了最小二乘支持向量機模型并用采集到的數(shù)據(jù)做了模型測試，取得了較好的測試效果。
　　 為了在LS-SVM算法中考慮不同數(shù)據(jù)點的重要性，提高模型的預測精度，論文提出了用加權最小二乘支持向量機建模的方法，并給出