基于回归支持向量机的软测量建模研究.pdf

《基于回归支持向量机的软测量建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、文献标识码：A文章编号：1003—0492(2010)03．0076．03中图分类号：TP391．9基于回归支持向量机的软测量建模研究ModelingforSoftSensorBasedonSupportVectorRegressionMachine邵联合(1974一)男，黑龙江虎林人，工学硕士，大学讲师，现就职于保定电力职业技术学院，主要研究方向为生产过程自动化及仪器仪表。摘要：软测量技术是解决现代复杂工业过程中较难甚至无法由硬件在线1引言测量参数的实时估计问题的有效手段。本文介绍了基于回归支持向量机建立在统计学习理论基

2、础上的支持向量机(supportvector(SVR)算法的基本原理，并以非线性、时变、大滞后的PTA氧化过程为研究对象，使用SVR算法对4．CBA含量进行了预测。结果表明，与传统预测machine，SVM)”。已成为当前机器学习领域的一个研究热点。方法相比，采用SVR算法的预测模型，具有精确度高，泛化能力强等优支持向量机采用结构风险最小化准则，在有限样本情况下，得到点，是用于PTA氧化过程中4，CBA含量预测的一种有效的方法，具有很好现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，的应用价值。解决了一般学习方法难

3、以解决的问题，如神经网络的局部最4,19关键词：软测量；数学模型；4-CBA；回归支持向量机题、过学习以及结构和类型的选择过分依赖于经验等固有的缺陷Abstract：Inthemodemcomplexindustrialprocesses，somevariablesarevery等问题，从而提高了模型的泛化能力。另外支持向量机把机器学hardtobemeasuredorevencannotbemeasuredon—linebyexistinginstruments习问题归结为一个二次规划问题，因而得到的最优解不仅是全局an

4、dsensors．Soft-sensingtechnologycanefectivelysolvetheproblemofreal—最优解，而且具有唯一性。SVM的方法最早是针对模式识别问题timeestimation．ThebasicprincipleofSupportVectorRegressionMachine提出的，Vapnik通过引入￡不敏感损失函数，将其推广应用到非(SVR)algorithmwasintroducedinthispaper．FortheprocessofPTAoxidationwithnon-

5、linear,time-varying，largetimedelaycharacteristics，the4-CBA线性回归估计中，得到了用于回归估计的标准SVM方法，称为回ContentwaspredictedbySVR．Thepredictedresultwascomparedwiththatof归支持向量机(supportvectorregressor，SVR)’算法。traditionalforecastingmethods．ThecomparisonresultshowsthattheSVRhas2支持向量机回归

6、算法原理beaerintegrativeperformance，highprecisionandgeneralizationability，SOitisanefectivemethodforbeingusedinforecastingof4-CBAcontentofPTAsVR算法的基础主要是￡不敏感函数(￡一insensitivefunction)oxidationprocessandhasaverygoodapplicationvalue．和核函数算法。若将拟合的数学模型表达为多维空间的某一曲Keywords：Soft

7、—sensing；Mathematicalmodel；4-CBA；SupportVector线，则根据￡不敏感函数所得的结果就是包络该曲线和训练点的RegressionMachine“e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”(supportvectors)。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增76自勋化博览201O年O3月刊加的可调参数未免增加了过拟合的风险。SVR采用核函数解决这∑(-F,)-~(

8、+￡)一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算maxW(Ⅸ，a)_max．1fⅡ·na·a法“非线性化”，即能作非线性回归。与此同时，引进核函数达一寺∑∑(a一)(ccj—a)K(，xj)·i=lj=l到了“升维”的目的，而增加的可调参数却很少，于是过拟合仍(6)能控制。其约束条件为：2