基于支持向量机的聚酯工业软测量方法研究

论文摘要

统计学习理论(简称SLT),着重研究在小样本情况下的统计规律及学习方法的性质,为解决样本有限情况下的机器学习问题提供了统一的框架,能够将多数现有方法纳入其中。支持向量机(简称SVM)是一种将统计学理论付诸实现的有效机器学习方法,基于结构风险最小化准则(structure risk minimization即SRM),采用经验风险和置信范围两项同时最小化的风险泛函。它拥有众多的优良特性,如利用核技术避免了解的局部最小、具有解的稀疏性、通过界限的作用达到容量控制或支持向量数目的控制等等。学术界普遍认为它是继神经网络之后的一个新的研究方向。 本文首先从支持向量机的理论研究、算法改进、核函数及其参数选择、扩展支持向量机四个方面,详细讨论了支持向量机的现状和发展方向。然后利用标准支持向量机非线性回归的方法对聚酯工业中一些重要的质量指标进行离线建模,提出采用增量学习和最小二乘修改域值两种不同的方法来建立实时动态模型。此外还针对标准支持向量机的运算速度慢的缺陷,提出以下改进措施:利用主元分析方法减小辅助变量个数;K均值聚类方法缩小训练集规模;利用改进的序列最小优化算法,从而大大地提高了算法的运行速度。最后针对支持向量机参数的选择问题,采用交叉检验方法确定容许误差参数的最合理值;在同样的容许误差和样本数的前提下,分析各种不同的核函数在具体的聚酯粘度软测量问题中的应用效果及合理性,寻找适合本课题工业背景的核函数类型;以RBF核函数为例,采用遗传算法调节核函数参数,

论文目录

• 第一章 绪论
• 1.1 论文研究的背景和意义
• 1.2 支持向量机算法（SVM）的研究现状
• 1.2.1 理论研究
• 1.2.2 算法改进
• 1.2.3 核函数及其参数选择
• 1.2.4 扩展支持向量机
• 1.3 支持向量机在工业过程中的应用
• 1.4 论文研究的主要内容及工作简述
• 第二章 支持向量机理论概述
• 2.1 引言
• 2.2 统计学习理论
• 2.2.1 VC维
• 2.2.2 结构风险最小化（SRM）
• 2.3 支持向量机算法
• 2.3.1 最优分类超平面
• 2.3.2 支持向量机线性回归
• 2.3.3 支持向量机非线性回归
• 2.4 本章小结
• 第三章 基于支持向量机的软测量建模
• 3.1 引言
• 3.2 支持向量机软测量建模
• 3.2.1 前期数据处理
• 3.2.2 支持向量机软测量建模
• 3.3 本章小结
• 第四章 支持向量机的改进算法
• 4.1 引言
• 4.2 支持向量机基于算法的改进
• 4.2.1 基于增量学习的支持向量机
• 4.2.2 支持向量机的序列最小优化算法
• 4.2.3 最小二乘算法对支持向量机的改进
• 4.3 支持向量基于数据集的改进
• 4.3.1 主元分析方法缩小数据集
• 4.3.2 聚类算法缩小数据集
• 4.4 支持向量机参数的选择
• 4.4.1 交叉检验的方法选择容许误差
• 4.4.2 核函数的选择
• 4.4.3 遗传算法调整核函数的参数
• 4.5 本章小结
• 结束语
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录