智能支持向量機方法及其在丙烯聚合熔融指數(shù)預報中的應用.pdf

1、熔融指數(shù)(MI)是聚丙烯生產(chǎn)的重要指標之一，建立可靠的熔融指數(shù)預報模型非常重要。丙烯聚合過程機理復雜，生產(chǎn)工藝多樣，設備工段繁多，因此采用機理建模方法存在相當大的難度。而統(tǒng)計建模方法是一種依賴數(shù)據(jù)的方法，對系統(tǒng)內(nèi)部機理的了解要求很少，所以在丙烯聚合熔融指數(shù)預報中得到廣泛應用。
　　 統(tǒng)計學習理論是一種基于小樣本的機器學習理論，支持向量機是在此理論基礎(chǔ)上提出來的。它根據(jù)結(jié)構(gòu)風險最小化原則，通過核函數(shù)在一個高維特征空間中構(gòu)遣線性決策

2、函數(shù)，避免了維數(shù)災難，且可達到全局最優(yōu)解。支持向量機良好的性能使其成為機器學習領(lǐng)域的熱點課題。支持向量機的性能依賴其參數(shù)的選擇，本文應用智能優(yōu)化算法進行參數(shù)尋優(yōu)，從而建立多種智能支持向量機模型。本文的主要內(nèi)容包括：
　　 1.為了降低標準支持向量機(SVM)的計算復雜度，提高其學習速度、泛化能力和稀疏性，本文研究了最小二乘支持向量機(LSSVM)、加權(quán)最小二乘支持向量機(WLSSVM)和相關(guān)向量機(RVM)，并用于熔融指數(shù)預報。

3、實驗結(jié)果表明上述方法的可行性和有效性。
　　 2.核函數(shù)參數(shù)和懲罰參數(shù)決定了支持向量機的性能，選擇最佳的參數(shù)可以直接提高模型預報能力。針對支持向量機的參數(shù)選擇問題，本文采用帶有權(quán)重因子的改進粒子群優(yōu)化算法，分別對LSSVM、WLSSVM和RVM的參數(shù)進行尋優(yōu)，建立了單純智能支持向量機模型(PSO-LSSVM，PSO-WLSSVM和PSO-RVM)。PSO算法具有很強的尋優(yōu)能力和快速的收斂速度，能在最短的時間內(nèi)找到函數(shù)的全局最優(yōu)點

4、，使參數(shù)尋優(yōu)成為可能。實驗結(jié)果表明優(yōu)化后的模型具有更好的預報效果。
　　 3.針對標準粒子群算法在迭代過程中易出現(xiàn)粒子過早收斂而陷入局部最優(yōu)的缺陷，通過引入免疫系統(tǒng)的抗體選擇機制，構(gòu)造了一種基于免疫機制的免疫粒子群優(yōu)化(IC-PSO)算法，來保持更新粒子的多樣性，從而克服標準粒子群算法過早收斂的缺陷；為了減小粒子群搜索的盲目性，避免早熟，本文利用蟻群算法為免疫粒子群算法找到一條最優(yōu)路徑，構(gòu)造了蟻群-免疫粒子群優(yōu)化(AC-ICPS

5、O)算法。然后利用這兩種優(yōu)化方法對LSSVM和WLSSVM進行參數(shù)尋優(yōu)，建立了混合智能支持向量機模型(ICPSO-LSSVM、AC-ICPSO-LSSVM、ICPSO-WLSSVM、AC-ICPSO-WLSSVM)。以實際聚丙烯生產(chǎn)的熔融指數(shù)預報作為實例進行研究，結(jié)果表明所提出模型的有效性和良好的預報精度。
　　 4.針對丙烯聚合生產(chǎn)控制中，系統(tǒng)存在高復雜性、不可確定性，多層次性等特點，本文提出了模型在線校正策略。隨著數(shù)據(jù)的更新