支持向量機回歸算法與應用研究.pdf

1、基于數(shù)據的機器學習是現(xiàn)代智能技術中的重要方面。統(tǒng)計學習理論(SLT)是一種專門研究小樣本情況下機器學習規(guī)律的理論，它建立在一套較堅實的理論基礎之上的，為解決有限樣本學習問題提供了一個統(tǒng)一的框架也發(fā)展了一種新的通用學習方法-支持向量機(SVM)，較好的解決小樣本學習問題。與神經網絡等其它學習方法相比，它的結構通過自動優(yōu)化的方法計算出來，并且避免了局部最小點、過學習等缺陷。以往大部分研究主要集中在支持向量機分類理論和應用上，近年來關于支持向

2、量機回歸(SVMR)的研究也顯示出其優(yōu)異的性能。作為一個新的理論和方法，支持向量機回歸在訓練算法和實際應用等方面有諸多值得深入探討的課題。 本論文在深入了解支持向量機回歸的基本原理和算法的基礎上，提出一種用于在線訓練的支持向量機回歸(OSVR)算法。在線情況下采用批量訓練方法對支持向量機回歸(SVR)進行訓練是非常低效的，因為訓練集每次的變化都會導致對支持向量機的重新訓練。0SVR訓練樣本采用序列輸入代替了常規(guī)的批量輸入。通過對

3、兩個標準集的測試表明：0SVR算法與SVMTorch算法相比具有可在線序列輸入，生成支持向量機少和泛化性能強的優(yōu)點?！　≡诜治龊土私夤I(yè)過程軟測量原理的基礎上，將支持向量機方法引入蒸煮過程紙漿的Kappa值軟測量技術中。針對紙漿蒸煮過程機理復雜、影響因素眾多和數(shù)據不完備條件下紙漿Kappa值預報問題，探討了支持向量機方法在紙漿Kappa值預報中的應用，經過與線性回歸方法和人工神經網絡方法預報結果比較，表明該方法具有精度高、速度快、泛化

4、能力強的特點，取得了較傳統(tǒng)軟測量建模方法更好的預報效果?！　”疚睦肔S-SVM為辨識器，提出了一種新的基于LS-SVM模型的預測控制結構。最小二乘支持向量機(LS-SVM)方法克服了經典二次規(guī)劃方法求解支持向量機的維數(shù)災問題，適合于大樣本的學習。對一典型非線性系統(tǒng)-連續(xù)攪拌槽反應器(CSTR)的仿真表明，該控制方案表現(xiàn)出優(yōu)良的控制品質并能適應被控對象參數(shù)的變化，具有較強的魯棒性和自適應能力。在控制性能方面它優(yōu)于神經網絡預測控制和傳統(tǒng)

5、的PID控制；在研究了標準自抗擾控制器(ADRC)的遺傳算法參數(shù)自整定的基礎上，將支持向量機回歸模型嵌入ADRC，并分析了采用該控制方案的原因。將SVM-ADRC與標準ADRC用于兩個典型的非線性化工過程：CSTR反應器和pH中和過程的控制。 仿真結果表明：線性系統(tǒng)模型對強非線性過程的“時間尺度”辨識簡便易行，加入懲罰策略的遺傳優(yōu)化算法能高效、快速的完成ADRC多參數(shù)的大范圍尋優(yōu)，擺脫了控制器參數(shù)整定對經驗的依賴；嵌入了支持向量

6、機模型的ADRC可以提高控制器性能，尤其是提高過渡過程的控制品質，同時控制參數(shù)的適應范圍更大，具有很好的應用前景?！　”疚难芯苛嘶谥С窒蛄繖C模型的逆系統(tǒng)實現(xiàn)及其直接逆?？刂?，并提出了一種新的支持向量機逆模PID復合控制策略。它充分利用支持向量機簡單高效的系統(tǒng)建模能力，發(fā)揮了直接逆模控制和PID反饋控制各自的優(yōu)勢，通過CSTR的反應物濃度控制的仿真表明，支持向量機逆模/PID復合控制能克服因辨識逆模型不精確引起的缺陷，并具有良好的控制