資源描述：
《基于支持向量機(jī)的軟測(cè)量技術(shù)研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、基于支持向量機(jī)的軟測(cè)量技術(shù)研究李哲(控制理論與控制工程)指導(dǎo)教師：田學(xué)民教授摘要實(shí)際生產(chǎn)過(guò)程中存在著大量與產(chǎn)品質(zhì)量相關(guān)的重要變量難以在線(xiàn)測(cè)量，軟測(cè)量技術(shù)是解決這一問(wèn)題的有效途徑，是進(jìn)一步實(shí)現(xiàn)質(zhì)量控制和過(guò)程優(yōu)化的基礎(chǔ)。支持向量機(jī)(SupportVectorMachine，SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，能夠較好的解決小樣本、過(guò)學(xué)習(xí)、高維數(shù)、局部最小等問(wèn)題，為軟測(cè)量建模提供了一種可行的有效途徑。本文主要研究了基于支持向量機(jī)的軟測(cè)量建模技術(shù)，針對(duì)變量間非線(xiàn)性關(guān)系復(fù)雜的實(shí)際生產(chǎn)過(guò)程提出了基于SVM的軟測(cè)量建模方法
2、，并對(duì)兩組典型仿真數(shù)據(jù)和一組實(shí)際數(shù)據(jù)進(jìn)行了軟測(cè)量建模研究。本論文的主要工作包括以下內(nèi)容：首先，介紹了PLS—SVR軟測(cè)量建模方法的基本原理和實(shí)現(xiàn)步驟，該方法通過(guò)PLS提取過(guò)程的特征信息，用SVR擬合PLS內(nèi)部關(guān)系，可以有效地提高模型的非線(xiàn)性處理能力；針對(duì)多數(shù)軟測(cè)量建模方法只利用輔助變量二階信息的問(wèn)題，提出了基于KPCA-SVR的軟測(cè)量建模方法，該方法通過(guò)對(duì)輔助變量核矩陣的特征分解和主元提取，隱含的利用了變量間的高階信息：針對(duì)實(shí)際數(shù)據(jù)軟測(cè)量建模中的二個(gè)問(wèn)題提出了用KNN方法對(duì)變量進(jìn)行近鄰分析，KNN-KPCA．SVR建模
3、方法是KPCA—SVR建模方法的推廣，該方法進(jìn)一步考慮了變量在時(shí)間上的相互關(guān)系。其次，仿真研究建立基于以上三種方法的回歸模型，結(jié)果表明，對(duì)于變量間相互獨(dú)立的輔助變量集，三種模型的預(yù)測(cè)精度和推廣能力優(yōu)于線(xiàn)性主元回歸(PCR)、線(xiàn)性偏最小二乘回歸(PLS)及線(xiàn)性核函數(shù)SVRII模型：對(duì)于變量間存在復(fù)雜非線(xiàn)性關(guān)系情況，KNN．KPCA—SVR模型較其它方法表現(xiàn)了更優(yōu)秀的性能。最后，針對(duì)催化裂化裝置(FCCU)主分餾塔設(shè)計(jì)粗汽油干點(diǎn)軟測(cè)量估計(jì)器。在機(jī)理分析的基礎(chǔ)上初選輔助變量，根據(jù)KNN分析結(jié)果對(duì)輔助變量分類(lèi)及維數(shù)縮減，現(xiàn)場(chǎng)數(shù)
4、據(jù)的采集與預(yù)處理，軟測(cè)量模型建立。結(jié)果表明，KNN．KPCA—SVR模型的預(yù)測(cè)精度和泛化能力優(yōu)于線(xiàn)性PCR、線(xiàn)性PLS、線(xiàn)性sVM、PLS．SVR模型及KPCA—SVR模型。關(guān)鍵詞：支持向量機(jī)，軟測(cè)量建模，核主元分析，K最近鄰算法IIIStudyofSoftSensorTechniqueBasedonSupportVectorMachineLIZhe(ControlTheoryandControlEngineering)DirectedbyProfessorTIANXue—rainAbstractManyimporta
5、ntvariables，suchasproductsquality,can’tbeme舢edonlineinindustrialprocess．Softsensortechniquescanprovideaneffectivesolution，whichcansupplyafoundationforfnrtherqualitycontrolandprocessoptimization．SupportVectorMachine(SVM)isakindofmachinelearningapproachbasedonStat
6、isticalLearningTheory．SVMcarlsolveproblemssuchassmallsamples，overIearning，highdimensionandlocalminimum，andpreventsaneffectivemodelingapproach．Inthisdissertation，softsensormodelingtechniquebasedonSVMisstudied，F(xiàn)orpracticalindustrialprocesswithcomplexnonlinearvaria
7、bles，softsensormodelingapproachbasedoilSVMispresented．Theproposedapproachisappliedtotwosetsofclassicalsimulationdataandasetofpracticaldata．Themainworkisasfollows：First，thebasicprincipleandalgorithmrealizationofPLS—SVRsoftsensormodelingapproachisintroduced．Itcapt
8、uresprocesslatentinformationbasedonPLS，andfitsinternalrelationshipusingSVR，whichcanimprovethenonlinearprocessabilityofmodeleffectively．Formostsoftsensormodelingapproa
