氣液兩相流流動參數(shù)軟測量方法研究.pdf

1、支持向量機(SVM)是近幾年發(fā)展起來的機器學習新方法，其中以高斯函數(shù)為核函數(shù)的支持向量機在實際應(yīng)用中表現(xiàn)出良好的學習性能，被廣泛應(yīng)用于模式分類中。此類SVM的模型選擇取決于兩個參數(shù)，誤差懲罰因子C和高斯核寬度σ。支持向量機的參數(shù)取值決定了其學習性能和泛化能力，目前其參數(shù)優(yōu)化問題是制約支持向量機應(yīng)用的一個瓶頸?；煦鐑?yōu)化算法是一種全局搜索方法，將混沌優(yōu)化算法應(yīng)用于支持向量機參數(shù)選取問題中，仿真表明該方法的有效性。 基于非線性信息處理

2、技術(shù)中的吸引子形態(tài)動力學理論、遞歸定量分析理論、符號動力學理論、復雜性測度理論和語音信號處理技術(shù)中的線性預測方法對電導、差壓傳感器電壓波動信號提取了非線性特征量和時頻域特征量，結(jié)合實驗的觀察流型和含水率信息組成樣本集。本文結(jié)合粗糙集與支持向量機兩種智能工具，提出一種應(yīng)用粗糙集屬性約簡與支持向量機分類和定量預測的兩相流流動參數(shù)軟測量模型。該方法應(yīng)用粗糙集理論屬性約簡作為預處理器，剔除決策表中冗余屬性，去除樣本噪聲，而不損失有效信息，然后基