基于支持向量機的軟測量技術研究.pdf

1、實際生產過程中存在著大量與產品質量相關的重要變量難以在線測量，軟測量技術是解決這一問題的有效途徑，是進一步實現質量控制和過程優(yōu)化的基礎。支持向量機（Support Vecto r Machine,SVM）是基于統計學習理論的一種機器學習方法，能夠較好的解決小樣本、過學習、高維數、局部最小等問題，為軟測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的軟測量建模技術，針對變量間非線性關系復雜的實際生產過程提出了基于SVM的軟測

2、量建模方法，并對兩組典型仿真數據和一組實際數據進行了軟測量建模研究。本論文的主要工作包括以下內容： 首先，介紹了PLS-SVR軟測量建模方法的基本原理和實現步驟，該方法通過PLS提取過程的特征信息，用SVR擬合PLS內部關系，可以有效地提高模型的非線性處理能力；針對多數軟測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的軟測量建模方法，該方法通過對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；針對實際數據軟測量建模中的二個問題提出了用KNN方法對變量進行近鄰分析，KNN-KPCA-SVR建模方法是KPCA-SVR建模方法的推廣，該方法進一步考慮了變量在時間上的相互關系。 其次，仿真研究建立基于以上三種方法的回歸模型，結果表明，對于變量間相互獨立的輔助變量集，三種模型的預測精度和推廣能力優(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SVR 模型；對于變量間存在復雜非線性關系情況，KNN