支持向量機(jī)回歸算法的研究與應(yīng)用.pdf

1、支持向量機(jī)(SupportVectorMachine，SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論(StafisficalLearningTheory，SLT)的新數(shù)據(jù)建模方法。它建立在VC(VaprrJk-ChervonenkisDimension)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題，同時(shí)能獲得較好的泛化能力。SVM在工業(yè)領(lǐng)域的應(yīng)用研究相對(duì)來(lái)說(shuō)不多，鑒于化工領(lǐng)域小樣本統(tǒng)計(jì)的特點(diǎn)，它在化工領(lǐng)域中有

2、較大的應(yīng)用前景。本文針對(duì)支持向量回歸機(jī)(SupportVectorRegression，SVR)算法，從算法性能與推廣能力兩方面對(duì)其展開研究，并將其應(yīng)用于工業(yè)雙酚A生產(chǎn)過(guò)程軟測(cè)量建模中。 在詳細(xì)分析SVR算法及其屬性的基礎(chǔ)上，了解到應(yīng)用單個(gè)核函數(shù)的局限性，提出了采用混合核支持向量機(jī)來(lái)對(duì)工業(yè)生產(chǎn)進(jìn)行建模的方法，以提高模型的泛化能力和精度。本文中的混合核函數(shù)由一個(gè)局部核函數(shù)和一個(gè)全局核函數(shù)線性組合而成，并可以通過(guò)參數(shù)來(lái)調(diào)節(jié)局部核和全

3、局核對(duì)混合核的作用。雙酚A軟測(cè)量建模的仿真研究表明，該混合核支持向量機(jī)軟測(cè)量模型具有較好的泛化能力。 SVM中參數(shù)的尋優(yōu)一般只針對(duì)懲罰系數(shù)C和核參數(shù)σ，而混合核的引入，使SVM又多了一個(gè)可調(diào)參數(shù)m。以往m是取經(jīng)驗(yàn)值，不能確保該參數(shù)為最優(yōu)。本文提出了基于混沌粒子群(ChaoticParticleSwarmOptimization，CPSO)算法的混合核支持向量機(jī)參數(shù)綜合尋優(yōu)方法，以k-fold交叉驗(yàn)證誤差函數(shù)為目標(biāo)函數(shù)來(lái)尋找滿足條

4、件的最優(yōu)參數(shù)組合{c，σ，m}，從而提高模型的精度。通過(guò)對(duì)雙酚A軟測(cè)量建模的仿真研究表明，混合核參數(shù)優(yōu)化后的模型比經(jīng)驗(yàn)?zāi)Ｐ托Ч?，泛化能力有所提升?SVM算法在理論上的發(fā)展還包括與數(shù)據(jù)預(yù)處理方法的結(jié)合，就是將數(shù)據(jù)中脫離領(lǐng)域知識(shí)的信息即數(shù)據(jù)本身的性質(zhì)融入SVM算法中從而產(chǎn)生新的算法。作為數(shù)據(jù)預(yù)處理常用的模糊C-均值聚類(FuzzyC-meansclustering，F(xiàn)CM)算法在聚類后各類別邊界信息間存在干擾，使模型的精度不能