支持向量机算法参数选择及其在电站锅炉系统中的应用研究

支持向量机算法参数选择及其在电站锅炉系统中的应用研究

论文题目: 支持向量机算法参数选择及其在电站锅炉系统中的应用研究

论文类型: 博士论文

论文专业: 控制科学与工程

作者: 黄景涛

导师: 钱积新,马龙华

关键词: 统计学习理论,支持向量机,等距支持向量分类器,参数选择,多目标优化,电站锅炉,再热汽温

文献来源: 浙江大学

发表年度: 2005

论文摘要: 作为一种新的机器学习方法,支持向量机算法建立在严谨的统计学基础上,在模式识别和函数回归方面都有不俗的表现。支持向量机算法从上个世纪90年代初提出到现在短短十多年的时间得到了长足的发展,并继续得到广大研究者的关注和参与。本文在对统计学习理论和支持向量机算法进行简要分析和回顾的基础上,针对支持向量算法的参数选择问题进行了研究与探讨。支持向量算法虽然有统计学习理论作为理论基础,其泛化能力在理论上有界,但理论上误差的界太过宽松,实际应用过程中算法的性能依赖于算法参数的选择。在对算法分析研究的基础上,对支持向量机算法在电站锅炉系统中的应用进行了研究,着重以某电厂300MW机组锅炉再热汽温建模为例进行了分析与讨论。 本文主要包括以下几方面内容: 1.提出了一种等距支持向量分类器(EDSVC)算法。本文从最优分类超平面的几何意义入手,分析了最优超平面的几何意义,提出了一种等距支持向量分类器(EDSVC)算法。EDSVC本质上与支持向量机算法相同,同样具有理论上的一系列性质。在算法构造过程中,最优超平面的构造是基于一系列局部最优超平面,综合一系列边界点对来构造全局最优分类超平面。这些边界点与支持向量算法中的支持向量对应,因此EDSVC也具有SVM的稀疏性。同时,由于最优超平面是通过一系列局部最优分类超平面来实现的,算法具有增量学习的内在本质,适合于在线学习机的构造。 2.采用基于格雷码的遗传算法对支持向量机算法的参数选择问题进行了研究,将遗传算法与支持向量机相结合形成一个GA-SVM算法。在两个性质不同的多类分类数据集上进行了测试,结果表明该方法能够在更大的参数空间内进行有效搜索,与传统的网格式穷尽搜索相比更有优势。 3.提出了基于正交设计方法的支持向量机算法参数选择方法。统计实验设计是工农业以及科学试验中常用的方案设计方法,本文将正交设计的方法与支持向量机算法相结合,对支持向量机算法参数进行优化选择。将支持向量机算法的一次训练作为一个数值试验,采用正交设计方法进行试验方案的设计和试验结果的分析,分析不同参数对算法性能的影响程度,进而得到最终的支持向量学习机。 4.提出了一种支持向量机算法性能的智能多目标分析方法MOPSO-SVM。作为分类器或回归器的支持向量算法,其分类精度和回归准确度固然重要,但作为算法性能的另外一个度量,算法的速度也是实际应用中需要考虑的问

论文目录:

摘要

ABSTRACT

第1章 绪论

1.1 机器学习简介

1.1.1 机器学习系统基本框架

1.1.2 机器学习常用算法简介

1.2 统计学习理论与经验推理

1.2.1 函数集结构复杂度VC维

1.2.2 支持向量机算法的泛化能力

1.3 支持向量机算法原理

1.3.1 最优超平面的统计特征

1.3.2 标准支持向量机算法

1.3.3 用于回归的支持向量机算法

1.3.4 支持向量机算法研究概述

1.4 支持向量机算法的应用简介

1.5 支持向量机算法存在的问题

1.6 全文内容与结构

第2章 支持向量机理论基础及算法实现

2.1 支持向量机算法的构造

2.2 支持向量机算法与正则化方法之间的关系

2.3 最优超平面的几何意义及EDSVC算法

2.3.1 超平面最优性的几何意义

2.3.2 EDSVC算法

2.4 支持向量机算法中优化问题的求解

2.4.1 对偶二次规划的最优性条件

2.4.2 支持向量机算法的求解方法

2.5 常用支持向量机算法简介

2.5.1 最小二乘支持向量机LS-SVM

2.5.2 Libsvm算法包

2.5.3 SvmLight算法包

2.5.4 SvmFu算法

第3章 基于遗传算法的支持向量机算法参数选择

3.1 遗传算法基本思想

3.2 改进的支持向量机算法GA-SVM

3.2.1 SVM模型及遗传算法适应度函数

3.2.2 SVM参数编码方案

3.2.3 算法停止准则及遗传算子

3.2.4 遗传算子及相关参数的选择

3.3 试验及结果分析

3.4 本章小结

第4章 基于统计试验设计的支持向量机参数选择

4.1 试验设计简介

4.2 试验设计的统计模型

4.2.1 方差分析模型

4.2.2 回归模型

4.2.3 非参数回归模型

4.2.4 稳健回归模型

4.3 试验设计的模型分析

4.4 试验设计结果分析

4.5 SVM参数选择

4.6 试验结果与讨论

4.7 本章小结

第5章 支持向量机算法性能的多目标分析

5.1 算法性能衡量标准

5.2 多目标意义下的算法综合性能评价

5.3 粒子群优化算法简介

5.4 基于PSO算法的SVM算法性能多目标分析

5.5 数值试验

5.6 本章小结

第6章 支持向量算法在电站锅炉中的应用研究

6.1 火力发电技术简介

6.1.1 凝汽式大型火电单元机组生产流程

6.1.2 蒸汽动力循环系统

6.2 电站锅炉再热汽温特性及调节手段

6.3 电站锅炉再热汽温建模与仿真

6.4 基于SVR的再热汽温模型构建

6.5 再热汽温的SVR回归分析及讨论

6.6 本章小结

第7章 全文总结与展望

7.1 全文总结

7.2 课题展望

附录 机器学习网上资源列表

参考文献

攻读博士学位期间完成的学术论文

致谢

发布时间: 2006-04-04

参考文献

  • [1].电站锅炉燃烧优化控制与状态诊断的研究[D]. 刘千.华北电力大学(北京)2016
  • [2].燃煤锅炉泄漏监测及被动定位研究[D]. 冯强.华北电力大学(北京)2016
  • [3].基于流体网络方法的电站锅炉热力系统建模与性能分析预测研究[D]. 仝营.浙江大学2014
  • [4].电站锅炉低氮改造及结渣特性的试验与数值模拟研究[D]. 石喜光.浙江大学2012
  • [5].炉膛三维温度场声学测量及其在燃烧优化中的应用研究[D]. 王然.华北电力大学2015
  • [6].先进控制与优化软件的设计及在电站锅炉汽温预测控制中的应用[D]. 弓岱伟.中国科学技术大学2008
  • [7].纯氧在电站锅炉点火及稳燃过程中的助燃特性研究[D]. 闫高程.华北电力大学(北京)2016

相关论文

  • [1].支持向量机学习算法研究[D]. 李忠伟.哈尔滨工程大学2006

标签:;  ;  ;  ;  ;  ;  ;  

支持向量机算法参数选择及其在电站锅炉系统中的应用研究
下载Doc文档

猜你喜欢