基于支持向量机的甲醛浓度软测量

论文摘要

在实际工业生产过程中,存在许多无法在线测量的重要过程变量,例如甲醛生产过程中最终产物甲醛浓度的测量,生物发酵过程中1,3-丙二醇的浓度的测量等。为了解决此类问题,软测量技术应运而生。软测量是通过对可测变量的检测、变换和计算,间接得到待测变量的估计值。具有单个隐层以上的前馈网络可以任意精度逼近非线性函数,因此有许多学者应用神经网络来进行软测量。但是神经网络技术存在一些缺陷,首先是网络结构难以确定,其次是神经网络容易陷入局部最小点。由Vapnik提出的支持向量机是一种基于结构风险最小化的学习技术,它具有更严格的理论和数学基础,不存在局部最小点问题,不过分依赖样本的质量和数量等优点,因此适于对复杂工业过程变量的软测量。甲醛用途十分广泛,涉及合成树脂、塑料、橡胶、造纸、制药和防腐等领域。目前,甲醛生产过程中甲醛浓度是采用人工滴定的方式测得的,这就不可避免人与甲醛的直接接触。因为甲醛有剧毒,会对人体造成很大的伤害。针对这一重要问题,本文建立了基于支持向量机的甲醛浓度软测量模型,并针对支持向量机在实际应用中的关键技术,提出了一种基于二次规划的参数选取方法,通过仿真实验证实了该方法的有效性。论文首先阐述了软测量的工程背景、软测量技术及工程实现方法,阐述了软测量的建模方法和发展状况。其次,论文在对统计学习理论和支持向量机相关理论介绍的基础上,针对甲醛浓度的软测量问题,利用支持向量机v-SVR技术建立了甲醛浓度的软测量模型。第三,为确定模型中的待定参数,并保证软测量的精度,本文利用二次规划技术提出了一种新的参数选取方法,对交叉验证法和网格法选取参数进行了改进,论文中给出了详细的参数选取算法流程图,且简单易于实现。最后,本文给出了甲醛浓度软测量的具体实现步骤,利用仿真实验验证了基于支持向量机的软测量模型比以往常用建模方法如RBF神经网络建立的模型具有更好的推广能力,同时也验证了本文提出的参数选取方法比以往常用的参数选取方法更具有效性。

论文目录

• 摘要
• Abstract
• 引言
• 1 研究背景及软测量技术概述
• 1.1 工程背景
• 1.2 甲醛生产过程概述
• 1.3 软测量技术及建模方法研究现状
• 1.3.1 基于传统方法的软测量模型
• 1.3.2 基于回归分析的软测量模型
• 1.3.3 基于智能方法的软测量模型
• 1.4 软测量工程实现
• 1.4.1 数据的预处理
• 1.4.2 辅助变量的选择
• 1.4.3 软测量模型的建立
• 1.4.4 软测量模型的校正
• 1.5 本文的主要工作
• 2 统计学习理论
• 2.1 统计学习理论中的一些基本概念
• 2.2 统计学习理论的发展历史
• 2.3 统计学习理论的基本内容
• 2.3.1 机器学习的基本问题
• 2.3.2 统计学习理论的核心内容
• 3 支持向量机概述
• 3.1 支持向量分类机
• 3.2 支持向量回归机
• 3.2.1 ε-SVR算法思想
• 3.2.2 υ-SVR的引入
• 3.2.3 LS-SVR算法简介
• 3.3 支持向量机的应用研究
• 3.3.1 支持向量机在建模中的应用研究现状
• 3.3.2 支持向量机在软侧量中的应用研究现状
• 3.4 支持向量机在实际应用中的关键技术
• 3.4.1 核函数的本质
• 3.4.2 核函数的类型
• 3.4.3 参数选取的常用方法
• 4 基于二次规划的参数选取方法
• 4.1 数据预处理及辅助变量的选择
• 4.1.1 主元分析原理
• 4.1.2 辅助变量的选择
• 4.2 基于υ-SVR的甲醛生产过程模型的建立
• 4.3 基于二次规划的参数选取方法的实现步骤
• 5 甲醛浓度软测量的具体实现及仿真实验
• 5.1 基于RBF神经网络的甲醛浓度软测量
• 5.1.1 RBF神经网络理论
• 5.1.2 RBF神经网络软测量建模
• 5.2 基于υ-SVR的甲醛浓度软测量
• 5.2.1 网格搜索法的υ-SVR模型软测量
• 5.2.2 基于二次规划的υ-SVR模型软测量
• 5.3 三种建模方法的比较
• 5.4 基于二次规划参数选取法的υ-SVR模型校正
• 结论
• 参考文献
• 附录A 部分甲醛生产设备及材质
• 攻读硕士学位期间发表学术论文情况
• 致谢