基于支持向量機的工業(yè)數(shù)據(jù)挖掘技術研究.pdf

1、支持向量機方法和數(shù)據(jù)挖掘領域是現(xiàn)在國內(nèi)外學術界的研究熱點。數(shù)據(jù)挖掘在許多商業(yè)應用中都取得了十分理想的效果，但是在流程工業(yè)生產(chǎn)過程中，應用數(shù)據(jù)挖掘成功的例子還不多見。本論文在經(jīng)典的數(shù)據(jù)挖掘算法中結合了支持向量機方法，并針對每個算法給出了用于實際工業(yè)控制項目的例子，討論了基于支持向量機的數(shù)據(jù)挖掘方法在工業(yè)應用中的利弊。論文的主要內(nèi)容包括以下三個方面：首先，論文描述了基于核主元分析結合支持向量機的工業(yè)建模預測。復合肥生產(chǎn)工藝過程比較復雜，采用

2、傳統(tǒng)方法對復合肥養(yǎng)分含量建模難以達到理想效果。在直接使用支持向量回歸建模時，數(shù)據(jù)預處理、核函數(shù)參數(shù)選擇是兩個難點。論文提出一種KPCA-SVR方法，結合了兩種核方法的優(yōu)點，又提出了一種核參數(shù)選擇的改進算法，并融合到KPCA-SVR方法中，通過對實際工業(yè)數(shù)據(jù)的仿真研究，結果表明該方法取得了很好的效果。 其次，論文重點描述了基于支持向量機的關聯(lián)規(guī)則提取。文中提出了一種基于支持向量機的關聯(lián)規(guī)則提取方法，通過支持向量聚類、數(shù)據(jù)域描述等方

3、法來歸類樣本數(shù)據(jù)，利用得到的支持向量來提取規(guī)則。該方法充分發(fā)揮了支持向量機處理小樣本非線性能力強、泛化性能好的優(yōu)勢，并克服了其分類函數(shù)可理解性差的缺點，同時把經(jīng)典SMO算法的思想引入來提高關聯(lián)規(guī)則提取的執(zhí)行效率。在標準數(shù)據(jù)集和實際數(shù)據(jù)的仿真中取得了較好的效果，為關聯(lián)規(guī)則提取提供了一個新的思路。 最后，在文中詳細介紹了一個具體的工業(yè)數(shù)據(jù)挖掘的應用實例——株洲冶煉集團硫酸廠的數(shù)據(jù)挖掘軟件。該軟件將關聯(lián)規(guī)則、分類、聚類、回歸等數(shù)據(jù)挖掘