基于支持向量機(jī)的軟測(cè)量技術(shù)研究

基于支持向量機(jī)的軟測(cè)量技術(shù)研究

ID:32706222

大?。?.11 MB

頁(yè)數(shù):98頁(yè)

時(shí)間:2019-02-14

基于支持向量機(jī)的軟測(cè)量技術(shù)研究_第1頁(yè)
基于支持向量機(jī)的軟測(cè)量技術(shù)研究_第2頁(yè)
基于支持向量機(jī)的軟測(cè)量技術(shù)研究_第3頁(yè)
基于支持向量機(jī)的軟測(cè)量技術(shù)研究_第4頁(yè)
基于支持向量機(jī)的軟測(cè)量技術(shù)研究_第5頁(yè)
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

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫(huà)的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無(wú)此問(wèn)題,請(qǐng)放心下載。
2. 本文檔由用戶(hù)上傳,版權(quán)歸屬用戶(hù),天天文庫(kù)負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭(zhēng)議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無(wú)法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶(hù)請(qǐng)聯(lián)系客服處理。