支持向量機回歸算法的研究與應用.pdf

1、支持向量機(SupportVectorMachine，SVM)是一種基于統(tǒng)計學習理論(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)風險最小原理基礎(chǔ)上，能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題，同時能獲得較好的泛化能力。SVM在工業(yè)領(lǐng)域的應用研究相對來說不多，鑒于化工領(lǐng)域小樣本統(tǒng)計的特點，它在化工領(lǐng)域中有

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

3、局核對混合核的作用。雙酚A軟測量建模的仿真研究表明，該混合核支持向量機軟測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又多了一個可調(diào)參數(shù)m。以往m是取經(jīng)驗值，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參數(shù)綜合尋優(yōu)方法，以k-fold交叉驗證誤差函數(shù)為目標函數(shù)來尋找滿足條

4、件的最優(yōu)參數(shù)組合{c，σ，m}，從而提高模型的精度。通過對雙酚A軟測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)驗模型效果要好，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)預處理方法的結(jié)合，就是將數(shù)據(jù)中脫離領(lǐng)域知識的信息即數(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