基于LS-SVM的軟測量建模方法的應(yīng)用研究.pdf

1、針對現(xiàn)代工業(yè)過程中，對于測量參數(shù)比較難甚至由硬件也無法進行實時檢測的問題，軟測量技術(shù)是一種有效的解決方法。酒精精餾過程是工業(yè)中的一個非常復(fù)雜的化工過程，具有非線性、大滯后和時變性等特點。同時，精餾產(chǎn)品濃度也難以實時在線檢測。針對該問題，本文在總結(jié)了精餾產(chǎn)品濃度在線檢測的研究現(xiàn)狀和傳統(tǒng)軟測量建模方法的基礎(chǔ)上，利用基于人工神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(LS-SVM)的多種軟測量建模方法對酒精精餾過程產(chǎn)品濃度建立了模型。本文進行了如下的工作：

2、
　　 (1)分析和研究了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)的結(jié)構(gòu)和原理，同時具體地介紹了自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的拓撲結(jié)構(gòu)圖和學(xué)習(xí)算法，利用兩種方法建立酒精精餾產(chǎn)品濃度的軟測量模型，結(jié)果表明建立的模型具有較好的逼近能力。
　　 (2)詳述了用于回歸的標(biāo)準(zhǔn)支持向量機和最小二乘支持向量機的算法原理，采用一維測試函數(shù)驗證LS-SVM的有效性。將其應(yīng)用于酒精精餾過程中，建立了LS-SVM軟測量模型，相比較前兩種方法該方法

3、具有更強的泛化能力。
　　 (3)針對LS-SVM中的參數(shù)選擇問題，利用粒子群優(yōu)化算法選取LS-SVM的模型參數(shù)，而粒子群算法本身存在易陷入局部最優(yōu)值等問題，文中采用了增加擾動項等改進算法。同時，為了增加模型外推能力，利用k-折交叉驗證誤差作為LS-SVM參數(shù)選擇的目標(biāo)值。此外，針對LS-SVM缺乏“稀疏性”的缺點，利用統(tǒng)計方法中的馬氏距離對樣本進行相似度分析，去除樣本集中部分以簡化模型結(jié)構(gòu)。最后，采用改進的PSO-LSSVM方