基于支持向量機(jī)回歸的非線性模型辨識研究.pdf

1、通過有限樣本數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)是現(xiàn)代智能技術(shù)中的重要研究方向,而基于統(tǒng)計學(xué)習(xí)理論的SVM是一種專門研究小樣本情況的機(jī)器學(xué)習(xí)理論,較好的解決了小樣本學(xué)習(xí)問題,已廣泛的應(yīng)用于模式識別、回歸估計、函數(shù)估計和密度估計等方面。與神經(jīng)網(wǎng)絡(luò)等其它智能方法不同,SVM通過自動參數(shù)優(yōu)化來確定模型結(jié)構(gòu),避免了局部最優(yōu)和過學(xué)習(xí)等問題。本文給出SVM在非線性系統(tǒng)辨識中的改進(jìn)算法及應(yīng)用研究。
　　 針對NARMA時滯模型的階次和時滯辨識問題,給出了如何通過

2、SVM進(jìn)行辨識的方法,并就SVM參數(shù)對辨識結(jié)果的影響進(jìn)行了仿真。與神經(jīng)網(wǎng)絡(luò)辨識結(jié)果比較,表明了在小樣本情況下SVM的辨識優(yōu)勢。
　　 標(biāo)準(zhǔn)SVM算法中可以得到部分樣本作為支持向量的特性,在轉(zhuǎn)化為LSSVM后,稀疏性能消失。針對這一問題,同時為了增強(qiáng)LSSVM的計算能力,提出了基于改進(jìn)模糊隸屬度的FLSSVM辨識算法。
　　 研究了支持向量回歸(SVRI)在軟測量建模中的應(yīng)用。以南京某石化丁二烯生產(chǎn)過程的精餾塔采集數(shù)據(jù)為研