探析改进支持向量机及其在白水软测量中的应用

《探析改进支持向量机及其在白水软测量中的应用》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、浙江工业大学硕士学位论文改进支持向量机及其在白水软测量中的应用姓名：曲涛申请学位级别：硕士专业：化学工程指导教师：潘海天20080401改进支持向量机及其在白水软测量中的应用摘要白水浓度是制浆造纸生产过程中非常重要的工艺参数，及时准确测量白水浓度可提高造纸生产效率、降低排放污染程度。常规测量仪表的精度和分辨率难以满足白水浓度在线测量要求，针对此问题，本文提出了一种改进最小二乘支持向量机建模的软测量方法，并成功应用于白水软测量中，实现了白水浓度准确估计。本文的主要研究内容如下：(1)首先介绍了软测量

2、技术在制浆造纸工业中的应用，用于函数回归的支持向量机的基本原理，如何选择支持向量机相关参数，以及小生境遗传算法的基本流程。(2)采用小生境技术结合自适应杂交变异概率方法，对并行遗传算法进行改进。通过引入小生境技术和自适应变异概率方法，使种群的多样性得以丰富和保持，有效地解决了传统遗传算法早熟和收敛速度慢的问题。并行算法的引入提高了混合算法局部搜索能力，加速定位全局最优解。(3)针对最小二乘支持向量机存在丧失稀疏性的缺点，提出了一种改进的最小二乘支持向量机回归方法。针对最小二乘支持向量机参数选择和调

3、整方面的缺点，运用改进小生境遗传算法选择最小二乘支持向量机的模型参数(损失函数参数P、惩罚因子厌核函数及其参’数尸)，最终建立了基于小生境遗传算法的最小二乘支持向量机(NGA—LSSVM)建模方法。(4)根据制浆造纸白水工艺，选择合适的辅助变量，采用LS-SVM软测量建模方法，运用小生境遗传算法选择LS-SVM参数，建立造纸过程白水浓度的软测量模型，实现了白水软测量。研究结果表明，采用NGA—LSSVM建模方法建立的白水浓度软测量模型，可完全满足造纸过程白水浓度预测的工艺要求。关键词：软测量，支持

4、向量机，小生境遗传算法，白水浓度浙江工业大学硕士学位论文THEIMPRoVEDSUPPoRTVECToRⅣL～CHINEANDIT’SAPPLICATIoNINSoFTSENSINGoFWHITEABSTRACTWhitewaterconcentrationisaveryimportantparameterinprocessofpaperproduction．Tomeasurewhitewaterconcentrationaccuratelyandtimelycallimproveproducti

5、vityandefficiency，andreducetheextentofpollutantsdischarge．ButthetraditionalmethodsCallnotgetthemeasurementofwhitewaterconcentrationonlineandneedalotoftime．Astothisproblem，asoftsensingbasedonLeastSquareSupportMachineWasproposedinthispaper,andWasapplied

6、inthesoftseIlsingofwhitewaterconcentration．Thispaperpresentedasfollows：(1)Aboveall，theapplicationofsoftsensinginpaperproduction，thebasicprincipleofSVMappliedinfunctionregression，andthebasicprocessofNicheGeneticMgorithmswereintroducedbriefly．(2)Thenich

7、etechniquecombinedself-adaptivecrossoverprobabilityisadoptedtoimprovetheparallelgeneticalgorithm，whichcanmaintainandenrichthecommunitydiversityofpopulation，avoidingtheproblemofprematurityandlowconvergencespeed．Andtheparallelalgorithmisproposedtoenhanc

8、etheabilityoflocalsearchingandacceleratepositioningtheoveralloptimalsolution．Atlast，theimprovedNicheGeneticAlgorithm(NGA)wasavailable．(3)Ononehand，animprovedSVMregressionmethodisproposed．aStotheproblemthatLS-SVMlosesthesparsenessofsolution．Acc