基于支持向量機(jī)的軟測(cè)量技術(shù)研究.pdf

1、實(shí)際生產(chǎn)過程中存在著大量與產(chǎn)品質(zhì)量相關(guān)的重要變量難以在線測(cè)量，軟測(cè)量技術(shù)是解決這一問題的有效途徑，是進(jìn)一步實(shí)現(xiàn)質(zhì)量控制和過程優(yōu)化的基礎(chǔ)。支持向量機(jī)（Support Vecto r Machine,SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，能夠較好的解決小樣本、過學(xué)習(xí)、高維數(shù)、局部最小等問題，為軟測(cè)量建模提供了一種可行的有效途徑。本文主要研究了基于支持向量機(jī)的軟測(cè)量建模技術(shù)，針對(duì)變量間非線性關(guān)系復(fù)雜的實(shí)際生產(chǎn)過程提出了基于SVM的軟測(cè)

2、量建模方法，并對(duì)兩組典型仿真數(shù)據(jù)和一組實(shí)際數(shù)據(jù)進(jìn)行了軟測(cè)量建模研究。本論文的主要工作包括以下內(nèi)容： 首先，介紹了PLS-SVR軟測(cè)量建模方法的基本原理和實(shí)現(xiàn)步驟，該方法通過PLS提取過程的特征信息，用SVR擬合PLS內(nèi)部關(guān)系，可以有效地提高模型的非線性處理能力；針對(duì)多數(shù)軟測(cè)量建模方法只利用輔助變量二階信息的問題，提出了基于KPCA-SVR的軟測(cè)量建模方法，該方法通過對(duì)輔助變量核矩陣的特征分解和主元提取，隱含的利用了變量間的高階信

3、息；針對(duì)實(shí)際數(shù)據(jù)軟測(cè)量建模中的二個(gè)問題提出了用KNN方法對(duì)變量進(jìn)行近鄰分析，KNN-KPCA-SVR建模方法是KPCA-SVR建模方法的推廣，該方法進(jìn)一步考慮了變量在時(shí)間上的相互關(guān)系。 其次，仿真研究建立基于以上三種方法的回歸模型，結(jié)果表明，對(duì)于變量間相互獨(dú)立的輔助變量集，三種模型的預(yù)測(cè)精度和推廣能力優(yōu)于線性主元回歸（PCR）、線性偏最小二乘回歸（PLS）及線性核函數(shù)SVR 模型；對(duì)于變量間存在復(fù)雜非線性關(guān)系情況，KNN