混合核函数稀疏ＬＳＳＶＭ软测量建模与应用

2012年04月12日10:33:25 本网站我要评论(2)字号：T | T | T

关键字：应用

李　炜，章　寅，赵小强
兰州理工大学电气工程与信息工程学院，甘肃省工业过程先进控制重点实验室，甘肃兰州

摘　　　要：针对较小二乘支持向量机存在的稀疏性欠缺和单核函数局限性问题，本文提出一种基于混合核函数稀疏较小二乘支持向量机的软测量建模方法。该方法使用多项式核函数和ＲＢＦ核函数线性加权构成混合核函数，兼顾较小二乘支持向量机的全局拟合能力与局部拟合能力，以矢量基学习作为稀疏解算法，改善较小二乘支持向量机的稀疏性，在精简模型结构的同时，避免冗余信息中的噪声过多的拟合到模型参数中，进而采用粒子群算法优化模型部分参数。将此方法分别应用于ＭａｃｋｅｙＧｌａｓｓｓ混沌模型的时间序列预测和乙烯精馏塔塔釜乙烯浓度预测，应用结果表明该方法较较小二乘支持向量机、稀疏较小二乘支持向量机以及混合核较小二乘支持向量机具有更好的泛化效果和预报精度，兆示出其良好的应用潜力。

关　键　词：软测量；较小二乘支持向量机；稀疏性；矢量基；混合核

１　引　言
软测量技术是解决化工过程中普遍存在的一类难以在线测量变量估计问题的有效方法。它克服了人工分析及使用在线分析仪表的诸多不足，是实现在线质量控制、先进控制和优化控制的基础［１２］。１９９５年，Ｃｏｒｔｅｓ和Ｖａｐｎｉｋ提出的支持向量机［３］（ＳＶＭ）是一种建立在结构风险较小化原则基础上的建模方法，不存在神经网络等方法的局部极小化问题，能够解决非线性、高维数、小样本等实际问题。但是当训练样本增多时，由于其约束过多，将导致训练时间和内存需求大大增加，为提高ＳＶＭ的训练效率，Ｓｕｙｋｅｎｓ提出了较小二乘支持向量机（ＬＳＳＶＭ），采用等式约束代替ＳＶＭ的不等式约束，计算复杂度降低，求解过程大大加快［４］。但是ＬＳＳＶＭ在克服ＳＶＭ的不足（计算复杂）的同时，产生了新的缺陷，如丢失了ＳＶＭ的稀疏性和鲁棒性［５］。同时无论是ＳＶＭ还是ＬＳＳＶＭ还存在着单核函数的局限性，而其预测精度又过于依赖对核函数及其参数的选择的问题。本文针对上述问题，提出一种基于混合核函数稀疏ＬＳＳＶＭ的软测量建模方法，并将该方法分别应用于ＭａｃｋｅｙＧｌａｓｓｓ混沌模型的时间序列预测和乙烯精馏塔塔釜乙烯浓度预测，其结果验证了本文所提出的算法具有较好的泛化能力和预报精度。

登录网站后可下载文件

混合核函数稀疏ＬＳＳＶＭ 软测量建模与应用

相关阅读:

混合核函数稀疏ＬＳＳＶＭ软测量建模与应用