支持向量機(jī)規(guī)則提取及其在甲醇合成過程建模的應(yīng)用研究.pdf

1、支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上，利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，發(fā)展而來的一種機(jī)器學(xué)習(xí)新方法。在處理非線性、高維以及小樣本的機(jī)器學(xué)習(xí)問題中有著特有的優(yōu)勢(shì)，使得其在很多方面得到了很好的應(yīng)用。然而，SVM是個(gè)“黑箱”模型，即模型代表的意義難以理解，不能以一種簡(jiǎn)單的、透明的方式解釋它對(duì)一個(gè)新樣本的預(yù)測(cè)過程。由于缺乏透明性，在數(shù)據(jù)挖掘和決策支持領(lǐng)域以及安全性要求比較高的關(guān)鍵應(yīng)用方面，其應(yīng)用受到了一定的限制。
　　論文的研

2、究?jī)?nèi)容主要包括以下兩方面：
　?。?）針對(duì)支持向量機(jī)（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(shì)，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(jì)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(diǎn)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(dá)葉節(jié)點(diǎn)樣本較多且目標(biāo)值浮動(dòng)較大會(huì)導(dǎo)致訓(xùn)練和預(yù)測(cè)的準(zhǔn)確度嚴(yán)重下降，而且精度嚴(yán)重依賴于終止條件的設(shè)定值。由此提出的改進(jìn)算法是在回歸樹的葉節(jié)點(diǎn)處采用最小二乘法擬合出對(duì)應(yīng)的函數(shù)表達(dá)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(jī)的規(guī)則提取方法，明確了支持向量機(jī)模型輸入變量與輸出變量之間的關(guān)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(yīng)用到煤制甲醇實(shí)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