基于KPCA-SVM的軟測量技術(shù)研究與應用.pdf

1、在不同工業(yè)領(lǐng)域的應用中軟測量是很有價值的工具，例如石油化工廠、冶金領(lǐng)域、發(fā)電廠、造紙廠、食品加工、核電站、城市和工業(yè)污染監(jiān)測，等等。他們被用于解決不同的問題，例如假設(shè)分析、工業(yè)控制的實時預測、測量儀器的檢驗和故障診斷。本文結(jié)合氧化鋁生產(chǎn)工藝知識，對軟測量設(shè)計進行了深入的研究，并對軟測量技術(shù)在實際工業(yè)過程中的應用進行了探討和實踐。本文的主要研究工作如下：
　　 (1)提出將基于核主元分析(KPCA)與支持向量回歸(SVR)相結(jié)合的

2、軟測量建模方法應用于苛性比值與溶出率的檢測。該方法通過KPCA提取包含輔助變量間高階信息的特征主元，然后使用SVR建立特征主元和主導變量之間的回歸模型。分析KPCA-SVR模型結(jié)構(gòu)和數(shù)據(jù)在其內(nèi)部的轉(zhuǎn)換關(guān)系。
　　 (2)在線性關(guān)系殘差分析基礎(chǔ)上提出基于v-支持向量回歸的異常值檢測方法。支持向量回歸中的結(jié)構(gòu)風險函數(shù)以及KKT條件為異常值檢測提供了幾點條件：(a)它并不傾向于消除個別大的回歸誤差，而是從整體上考慮回歸曲線的平滑性；因

3、此，異常值與回歸函數(shù)之間的距離將是顯著的，容易觀測。(b)有了ε不敏感區(qū)域，回歸數(shù)據(jù)被劃分成支持向量和非支持向量，而支持向量又被分成邊界支持向量和非邊界支持向量。非支持向量和非邊界支持向量都位于ε不敏感區(qū)域以內(nèi)，只有邊界支持向量才可能位于ε不敏感區(qū)域以外。(c)支持向量機經(jīng)過訓練調(diào)整系數(shù)C的值可以抑制異常值影響。
　　 (3)在自聯(lián)想神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出基于核主元分析(KPCA)和RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)協(xié)調(diào)方法。此技術(shù)可應用于在線