支持向量機回歸算法的研究與應用.pdf

1、支持向量機(SupportVectorMachine，SVM)是一種基于統計學習理論(StafisficalLearningTheory，SLT)的新數據建模方法。它建立在VC(VaprrJk-ChervonenkisDimension)維理論和結構風險最小原理基礎上，能較好地解決小樣本、非線性、高維數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)領域的應用研究相對來說不多，鑒于化工領域小樣本統計的特點，它在化工領域中有

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生產過程軟測量建模中。 在詳細分析SVR算法及其屬性的基礎上，了解到應用單個核函數的局限性，提出了采用混合核支持向量機來對工業(yè)生產進行建模的方法，以提高模型的泛化能力和精度。本文中的混合核函數由一個局部核函數和一個全局核函數線性組合而成，并可以通過參數來調節(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中參數的尋優(yōu)一般只針對懲罰系數C和核參數σ，而混合核的引入，使SVM又多了一個可調參數m。以往m是取經驗值，不能確保該參數為最優(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綜合尋優(yōu)方法，以k-fold交叉驗證誤差函數為目標函數來尋找滿足條

4、件的最優(yōu)參數組合{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，混合核參數優(yōu)化后的模型比經驗模型效果要好，泛化能力有所提升。 SVM算法在理論上的發(fā)展還包括與數據預處理方法的結合，就是將數據中脫離領域知識的信息即數據本身的性質融入SVM算法中從而產生新的算法。作為數據預處理常用的模糊C-均值聚類(FuzzyC-meansclustering，FCM)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