基于多信息融合的復(fù)雜工業(yè)過程廣義知識(shí)模型研究.pdf

1、近年來多信息融合技術(shù)和人工智能技術(shù)廣泛應(yīng)用于復(fù)雜工業(yè)過程中，已經(jīng)成為一個(gè)重要的研究領(lǐng)域。本文對支持向量機(jī)多類分類在復(fù)雜工業(yè)過程多信息融合中的應(yīng)用做了研究，并選取污水處理廠的日常監(jiān)控?cái)?shù)據(jù)作為實(shí)驗(yàn)對象。 本文首先介紹了信息融合的相關(guān)知識(shí)、原理和常規(guī)融合方法，然后討論了復(fù)雜工業(yè)過程廣義知識(shí)模型，最后研究了支持向量機(jī)分類算法，并深入地研究了支持向量多類分類算法，提出了改進(jìn)的決策樹支持向量機(jī)。 在對大規(guī)模數(shù)據(jù)集的模式分類過程中，過

2、多的訓(xùn)練樣本會(huì)引發(fā)分類的速度很慢及對計(jì)算機(jī)的內(nèi)存提出很高的要求等問題，所以在模式分類前要對數(shù)據(jù)集進(jìn)行必要的數(shù)據(jù)處理。支持向量機(jī)的訓(xùn)練時(shí)間也是一個(gè)十分重要的性能指標(biāo)，當(dāng)樣本數(shù)量非常多時(shí)，在二次規(guī)劃過程中會(huì)花費(fèi)大量的時(shí)間。由于支持向量機(jī)的決策函數(shù)最終僅由一組支持向量決定，分類超平面只與這一組支持向量有關(guān)。本文是在支持向量機(jī)進(jìn)行訓(xùn)練之前找到那些最有可能成為支持向量的樣本，用這些樣本代替整個(gè)訓(xùn)練樣本集進(jìn)行訓(xùn)練，就可以在對精度影響不大的情況下，縮