基于支持向量機(jī)算法的多模型建模方法研究及應(yīng)用.pdf

1、軟測(cè)量技術(shù)是解決現(xiàn)代復(fù)雜工業(yè)過程中較難甚至無(wú)法由硬件在線測(cè)量參數(shù)的實(shí)時(shí)估計(jì)問題的有效手段。支持向量機(jī)(Support Vector Machines，SVM)，由于它具有以任意精度逼近任何線性和非線性函數(shù)的能力，已被成功地應(yīng)用到石油、化工等方面的軟測(cè)量建模。但實(shí)際生產(chǎn)過程往往存在著非線性、工況范圍廣等特點(diǎn)，采用單一支持向量機(jī)模型往往無(wú)法滿足工藝精度要求。本文依據(jù)多模型思想，結(jié)合實(shí)際工程應(yīng)用背景，提出三種多模型建模方法:
　　 多

2、模型建模的首要前提是對(duì)建模用的數(shù)據(jù)集進(jìn)行劃分，常用的劃分子系統(tǒng)的方法是采用聚類算法將數(shù)據(jù)集根據(jù)輸入空間相似性劃分為若干子集。然而，聚類算法往往要求聚類個(gè)數(shù)c事先給定，在一定程度上困擾了聚類算法的應(yīng)用。本文從系統(tǒng)輸入輸出數(shù)據(jù)出發(fā)，針對(duì)比較法和融合法中計(jì)算量大，初始聚類個(gè)數(shù)選取盲目的缺點(diǎn)，依據(jù)用戶滿意為最終目標(biāo)的原則，提出一種簡(jiǎn)單有效的快速滿意c確定方法，并將其應(yīng)用于系統(tǒng)多模型建模過程中。
　　 對(duì)一個(gè)對(duì)象而言，輸出數(shù)據(jù)是對(duì)象特性的

3、真實(shí)反映，對(duì)研究對(duì)象的變化有重要的意義。為實(shí)現(xiàn)依據(jù)對(duì)象的輸出數(shù)據(jù)的值區(qū)間分類，本文把貝葉斯二次判別分析算法(Quadratic Discriminant Analysis，QDA)引入到軟測(cè)量樣本集分類。首先以目標(biāo)變量值的不同區(qū)間作為先驗(yàn)分類的標(biāo)準(zhǔn)，把已知樣本分為若干類別，并提供分類器所需的先驗(yàn)類別信息，對(duì)于未知類別的輸入數(shù)據(jù)，用QDA依據(jù)先驗(yàn)類別信息判斷其所屬數(shù)據(jù)類別，進(jìn)而對(duì)系統(tǒng)構(gòu)建多模型。
　　 數(shù)據(jù)信息的完備性是建立高精度

4、模型的必備條件。對(duì)于一個(gè)對(duì)象而言數(shù)據(jù)信息包括對(duì)象的輸入信息和輸出信息，單純地依據(jù)輸入信息或是輸出信息對(duì)樣本進(jìn)行劃分都很難完整地描述對(duì)象的變化過程。為保持樣本數(shù)據(jù)信息的完備性，實(shí)現(xiàn)依據(jù)系統(tǒng)輸入輸出信息對(duì)樣本分類，本文提出一種基于聚類分析和貝葉斯二次判別分析(Clustering Analysisand Quadratic Discriminant Analysis，CAQDA)算法的多模型建模方法。模糊聚類算法依據(jù)樣本輸入間的相似性，把樣