支持向量機(jī)回歸算法與應(yīng)用研究.pdf

1、基于數(shù)據(jù)的機(jī)器學(xué)習(xí)是現(xiàn)代智能技術(shù)中的重要方面。統(tǒng)計(jì)學(xué)習(xí)理論(SLT)是一種專門(mén)研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，它建立在一套較堅(jiān)實(shí)的理論基礎(chǔ)之上的，為解決有限樣本學(xué)習(xí)問(wèn)題提供了一個(gè)統(tǒng)一的框架也發(fā)展了一種新的通用學(xué)習(xí)方法-支持向量機(jī)(SVM)，較好的解決小樣本學(xué)習(xí)問(wèn)題。與神經(jīng)網(wǎng)絡(luò)等其它學(xué)習(xí)方法相比，它的結(jié)構(gòu)通過(guò)自動(dòng)優(yōu)化的方法計(jì)算出來(lái)，并且避免了局部最小點(diǎn)、過(guò)學(xué)習(xí)等缺陷。以往大部分研究主要集中在支持向量機(jī)分類理論和應(yīng)用上，近年來(lái)關(guān)于支持向

2、量機(jī)回歸(SVMR)的研究也顯示出其優(yōu)異的性能。作為一個(gè)新的理論和方法，支持向量機(jī)回歸在訓(xùn)練算法和實(shí)際應(yīng)用等方面有諸多值得深入探討的課題。 本論文在深入了解支持向量機(jī)回歸的基本原理和算法的基礎(chǔ)上，提出一種用于在線訓(xùn)練的支持向量機(jī)回歸(OSVR)算法。在線情況下采用批量訓(xùn)練方法對(duì)支持向量機(jī)回歸(SVR)進(jìn)行訓(xùn)練是非常低效的，因?yàn)橛?xùn)練集每次的變化都會(huì)導(dǎo)致對(duì)支持向量機(jī)的重新訓(xùn)練。0SVR訓(xùn)練樣本采用序列輸入代替了常規(guī)的批量輸入。通過(guò)對(duì)

3、兩個(gè)標(biāo)準(zhǔn)集的測(cè)試表明：0SVR算法與SVMTorch算法相比具有可在線序列輸入，生成支持向量機(jī)少和泛化性能強(qiáng)的優(yōu)點(diǎn)?！　≡诜治龊土私夤I(yè)過(guò)程軟測(cè)量原理的基礎(chǔ)上，將支持向量機(jī)方法引入蒸煮過(guò)程紙漿的Kappa值軟測(cè)量技術(shù)中。針對(duì)紙漿蒸煮過(guò)程機(jī)理復(fù)雜、影響因素眾多和數(shù)據(jù)不完備條件下紙漿Kappa值預(yù)報(bào)問(wèn)題，探討了支持向量機(jī)方法在紙漿Kappa值預(yù)報(bào)中的應(yīng)用，經(jīng)過(guò)與線性回歸方法和人工神經(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)結(jié)果比較，表明該方法具有精度高、速度快、泛化

4、能力強(qiáng)的特點(diǎn)，取得了較傳統(tǒng)軟測(cè)量建模方法更好的預(yù)報(bào)效果?！　”疚睦肔S-SVM為辨識(shí)器，提出了一種新的基于LS-SVM模型的預(yù)測(cè)控制結(jié)構(gòu)。最小二乘支持向量機(jī)(LS-SVM)方法克服了經(jīng)典二次規(guī)劃方法求解支持向量機(jī)的維數(shù)災(zāi)問(wèn)題，適合于大樣本的學(xué)習(xí)。對(duì)一典型非線性系統(tǒng)-連續(xù)攪拌槽反應(yīng)器(CSTR)的仿真表明，該控制方案表現(xiàn)出優(yōu)良的控制品質(zhì)并能適應(yīng)被控對(duì)象參數(shù)的變化，具有較強(qiáng)的魯棒性和自適應(yīng)能力。在控制性能方面它優(yōu)于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制和傳統(tǒng)

5、的PID控制；在研究了標(biāo)準(zhǔn)自抗擾控制器(ADRC)的遺傳算法參數(shù)自整定的基礎(chǔ)上，將支持向量機(jī)回歸模型嵌入ADRC，并分析了采用該控制方案的原因。將SVM-ADRC與標(biāo)準(zhǔn)ADRC用于兩個(gè)典型的非線性化工過(guò)程：CSTR反應(yīng)器和pH中和過(guò)程的控制。 仿真結(jié)果表明：線性系統(tǒng)模型對(duì)強(qiáng)非線性過(guò)程的“時(shí)間尺度”辨識(shí)簡(jiǎn)便易行，加入懲罰策略的遺傳優(yōu)化算法能高效、快速的完成ADRC多參數(shù)的大范圍尋優(yōu)，擺脫了控制器參數(shù)整定對(duì)經(jīng)驗(yàn)的依賴；嵌入了支持向量

6、機(jī)模型的ADRC可以提高控制器性能，尤其是提高過(guò)渡過(guò)程的控制品質(zhì)，同時(shí)控制參數(shù)的適應(yīng)范圍更大，具有很好的應(yīng)用前景?！　”疚难芯苛嘶谥С窒蛄繖C(jī)模型的逆系統(tǒng)實(shí)現(xiàn)及其直接逆模控制，并提出了一種新的支持向量機(jī)逆模PID復(fù)合控制策略。它充分利用支持向量機(jī)簡(jiǎn)單高效的系統(tǒng)建模能力，發(fā)揮了直接逆?？刂坪蚉ID反饋控制各自的優(yōu)勢(shì)，通過(guò)CSTR的反應(yīng)物濃度控制的仿真表明，支持向量機(jī)逆模/PID復(fù)合控制能克服因辨識(shí)逆模型不精確引起的缺陷，并具有良好的控制