數(shù)據(jù)挖掘技術(shù)在聚合過程中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是一種基于數(shù)據(jù)信息提取的綜合技術(shù)，它建立在數(shù)據(jù)庫的基礎(chǔ)之上，不依賴于對象的先驗知識，避免了由于先驗知識帶來的誤差。數(shù)據(jù)挖掘技術(shù)起源于商業(yè)的應(yīng)用，在工業(yè)領(lǐng)域特別是化工領(lǐng)域的應(yīng)用還較少，本課題針對化工過程的數(shù)據(jù)特點(diǎn)研究數(shù)據(jù)挖掘技術(shù)在化工聚合反應(yīng)過程軟測量建模中的應(yīng)用。
　　 針對單一支持向量機(jī)模型不能精確地對聚合反應(yīng)過程質(zhì)量指標(biāo)進(jìn)行估計的問題，提出了一種基于樣本特性的分類樹組合支持向量機(jī)模型，以提高聚合物平均分子量的估計

2、精度。利用數(shù)據(jù)樣本特性進(jìn)行分類，避免了分類結(jié)果的多樣化。聚合物平均分子量軟測量建模的仿真表明，該組合支持向量機(jī)(SVM)軟測量模型具有較高的估計精度。
　　 數(shù)據(jù)分類帶來的一個問題就是相鄰類別間的信息干擾比較大，使得子模型的估計精度提高有限，對跳變較大的數(shù)據(jù)無法正確地進(jìn)行跟蹤。而線性判別分析(Linear Discriminant Analysis，LDA)是一種用于擴(kuò)大類別間的距離的有效方法，能有效地降低類別間的信息干擾，提高

3、子模型的估計能力。將該方法應(yīng)用于聚合物軟測量模型的建模中，仿真結(jié)果表明該組合模型不僅能降低類別間的信息干擾，提高子模型的估計精度，對突變數(shù)據(jù)也有很好的跟蹤效果。
　　 為進(jìn)一步提高數(shù)據(jù)模型的估計精度，本文針對經(jīng)常使用的聚類算法數(shù)據(jù)信息不完備的問題提出一種基于貝葉斯分類器的組合模型的建立方法。該方法是基于數(shù)據(jù)的輸入和輸出的一種分類方法，利用數(shù)據(jù)的輸出進(jìn)行類別劃分，根據(jù)樣本的類別概率判斷樣本的類別屬性。將貝葉斯分類器與LDA相結(jié)合，

4、不僅保持了數(shù)據(jù)信息的完備性，也在很大程度上降低了類別間的信息干擾。仿真表明，該組合模型具有較高的估計精度和較好的跟蹤能力，具有一定的實用性。
　　 本文最后針對SVM對所有樣本賦予同樣的懲罰系數(shù)，不能突出一些重要樣本的問題，提出了一種基于AdaBoosting算法的組合SVM模型。該方法是建立在貝葉斯分析的基礎(chǔ)上，利用貝葉斯計算得到的樣本概率初始化懲罰系數(shù)，利用損失函數(shù)的回歸更新懲罰權(quán)重，使得SVM訓(xùn)練模型有“強(qiáng)”，“弱”之分，