基于支持向量機的工業(yè)數(shù)據(jù)挖掘技術研究.pdf_第1頁
已閱讀1頁,還剩75頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論