数据挖掘在软测量和优化中的应用

《数据挖掘在软测量和优化中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学硕士学位论文数据挖掘在软测量和优化中的应用姓名：张美荣申请学位级别：硕士专业：控制理论与控制工程指导教师：吕勇哉20060201上海交通大学硕士学位论文数据挖掘在软测量和优化中的应用摘要随着计算机的存储和计算能力的快速增长，基于大量数据信息的数据挖掘技术也得到了前所未有的发展。本文主要研究三种数据挖掘技术，即支持向量机、神经网络和遗传算法，以及它们各自在软测量和优化中的应用。目前，支持向量机在回归中的应用比较少，原因有两个：一是模型参数不能准确选择；二是随着训练数据的增加，问题的求解

2、时间呈指数增长。本文详细分析了支持向量机回归原理及其参数选择问题，由此提出了一种基于进化策略的参数选择的新方法，同时把这种参数选择的支持向量机称之为基于进化策略的回归支持向量机。然后，把这种方法应用于两个仿真试验上：一个是二维函数的回归仿真，结果表明在搜索精度相当的情况下，搜索时间要比网格搜索的参数选择方法短；另一个是铁水脱硫过程中最终含硫量的预测建模，结果表明其预测结果比起神经网络的预测结果有一定的改进。最后，本文还把支持向量机应用在氧气顶吹转炉的预测建模中，这一应用研究是基于实验室和Hone

3、ywell合作的项目。神经网络在软测量上的应用已经比较成熟。本文的目的是为了和回归支持向量机建模的性能做比较。在比较简单地分析了神经网络的基本原理及其在软测量上的应用方法后，把神经网络应用在氧气顶吹I上海交通大学硕士学位论文转炉的预测建模中，从而与回归支持向量机的预测结果做比较。试验结果表明，在参数选择合适的条件下，回归支持向量机的预测能力要比神经网络的强。遗传算法具有很强的优化能力，且不依赖于具体的问题，所以应用范围广泛。本文简明扼要地阐述遗传算法的原理，重点是把遗传算法应用在厂级时段负荷分配

4、上。负荷分配旨在将全厂的电力生产计划更合理、经济地分配给各台机组，从而提高电力产品的市场竞争力。本文采用约束化的遗传算法针对96点形式的24小时火电厂厂级发电计划进行负荷分配，在个体的初始化、交叉和变异操作中加入各项限制条件，使得所有个体在尽可能符合约束条件的情况下参加演化，能够处理不同形式的煤耗曲线，兼顾机组的禁止工作区。与二次规划方法相比具有运行时间短、适用范围广的特点。本文的研究一部分是基于实验室和Honeywell的合作项目，研究支持向量机在氧气顶吹转炉上的预测建模能力；另一部分是基于H

5、oneywell的HTSL部门的电厂项目，研究针对厂级时段负荷分配的约束化遗传算法。关键词：回归支持向量机，进化策略，参数调节，神经网络，预测模型，含硫量预测，动态负荷分配，二次规划，遗传算法，禁止工作区II上海交通大学硕士学位论文THEAPPLICATIONSOFDATAMININGINSOFTSENSORANDOPTIMIZATIONABSTRACTWithquickincreaseinmemoryandcalculationpowerofcomputer,thedataminingtech

6、nologybeingbasedonhugedatabasehasbeingdevelopedwithrapidpace.Thisthesismainlystudiesonthreetypesofdataminingtechnologies,namelysupportvectormachine,neuralnetworkandgeneticalgorithm,andtheirapplicationsinsoftsensorandoptimization.Theapplicationsofsupp

7、ortvectormachineinregression(SVR)arestillunderearlystage.Therearetwomajorreasons:oneisthedifficultyinparametertuningandtheotheristhecomputationcostsincreaseexponentiallywiththeincreaseinthesizeoftrainingdataset.Afterthedetailedanalysisofthefundamenta

8、lofsupportvectormachineanditsparametertuning,thesolutionofSVRparametertuningwithevolutionarystrategy(SVR-ES)isdeveloped.ThentheapproachtoSVR-EShasbeensuccessfullyappliedtonumericalregressionforatwo-dimensionalfunctionwithbetterperformance.Thesimulati