收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

最小二乘支持向量机及其在工业过程建模中的应用

陈爱军  
【摘要】: 传统的工业过程建模大多基于精确的数学模型,这种方法适用于运行机理和过程特性已知的工业系统。对于结构复杂、非线性、时变的工业系统,透彻分析其过程机理并建立精确数学模型是相当困难的,常常需要付出很大的人力和物力。在许多实际生产过程中,对系统机理和数学模型知之甚少的工程技术人员,通过观察和经验总结仍然对系统进行良好的手动控制。因此,采用机器学习的方法来模拟人类的这种行为是一种有效的技术方法。 研究小样本下的分类或回归估计问题,研究者们提出了统计学习理论。统计学习理论作为机器学习一个分支,由于其优异的特性及应用前景受到越来越多的关注。支持向量机(SVM)衍生于统计学习理论,能够在最小化训练误差和模型复杂度之间找到最佳平衡点,是一种比较经典的机器学习方法。由于秉承了统计学习理论的主要思想(如结构风险最小化、VC维),支持向量机可以在有限样本下得到全局最优,从而避免局部最优问题。 1999年Suykens与Vandewalle将支持向量机的二次规划问题替换为一组线性等式,提出了最小二乘支持向量机(LS-SVM)。与采用线性或非线性规划方法的其它支持向量机算法相比,LS-SVM具有降低计算复杂度的优点。因此,最小二乘支持向量机在许多分类或回归估计问题中取得了很好的应用效果。 本文以最小二乘支持向量机在建模、预测和控制方面的应用为背景开展研究工作,提出一些适用于动态系统特征提取、建模、预测和控制的最小二乘支持向量机改进算法。本文的主要贡献如下: 1.在支持向量机回归估计中,输入样本间的自相关或互相关的特性会恶化支持向量机的泛化性能。因此对支持向量机的输入数据进行特征提取,是解决该问题的一个重要步骤。本文提出一种基于动态独立分量分析(DICA)的特征提取方法,由于从自相关和互相关的输入变量中提取独立分量,DICA更适用于动态过程变量的特征提取。将DICA方法分别应用于广义支持向量机或最小二乘支持向量机回归估计,构成多层支持向量回归估计器。第一层为降低分析复杂性,提高回归估计鲁棒性的DICA特征提取层;第二层为实现系统动态建模的SVM或LSSVM层。将DICA-LSSVM辨识器用于TE过程组分浓度估计与建模,仿真结果表明:DICA-LSSVM的估计精度优于不采用特征提取的LSSVM估计器,以及基于PCA、DPCA、ICA特征提取方法的估计器。 2.为提高LS-SVM动态建模的实时性,本文提出一种基于限定、增长和缩减记忆模式下的递推最小二乘支持向量机算法(RLS-SVM)。三种记忆模式算法无需求逆,使最小二乘支持向量机的在线建模速度更加快捷。进一步合理运用三种建模模式,又提出了以最小化预报误差为目标的自适应建模方法,使得LS-SVM更适用于在线学习与预报的工业应用场合。仿真算例和自来水厂投药系统的仿真实例验证了该方法的有效性和优越性。 3.使最小二乘支持向量机的解具有稀疏性,本文提出一种稀疏解算法——矢量基学习。通过引入基矢量、基矢量集与解空间的概念,从分析新样本矢量与解空间的夹角入手,推导出该样本是否为基矢量的判断准则。随着新样本的到来,在线判别支持向量,从而使LS-SVM的支持向量具有稀疏性。为改进基于矢量基学习的LS-SVM动态建模实时性,进一步提出了适用于矢量基学习的增长记忆模式递推公式。仿真算例及水处理厂的应用实例验证了该方法的可行性和有效性。 4.考虑‘过度拟合’和‘野值点’对辨识模型的影响,应用正态分布函数的一些特性,本文提出基于正态分布加权的最小二乘支持向量机。根据预测误差的统计特性,以确定加权规则的参数,从而赋予训练样本不同的权值。由于考虑了生产过程中样本的一些特性,因此相对已有的加权方法,基于正态分布加权的最小二乘支持向量机更具有鲁棒性和实用性。 5.基于上述研究结论,提出基于LS-SVM自适应建模的预测控制(MPC)方法。建立MPC-PID串级控制结构:内环采用PID方法,以抗扰性为目标,具有算法简单、高速采样、快速抗扰的特点;外环采用MPC方法,以鲁棒性为目标,具有提升闭环控制系统鲁棒性的特点。以一个聚合反应器为研究对象,进行仿真研究,实验结果验证了该控制结构具有很好的控制性能。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王庆云;黄道;;固定尺度最小二乘支持向量机[J];华东理工大学学报(自然科学版);2006年07期
2 吴洲;潘丰;田鹏;;基于PSO和LSSVM的生化过程建模研究[J];自动化与仪表;2009年02期
3 阎威武,常俊林,邵惠鹤;基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真[J];上海交通大学学报;2004年04期
4 吴洲;田鹏;潘丰;;基于APSO-LSSVM的软测量建模研究[J];自动化技术与应用;2009年01期
5 翟永杰;李海丽;王东风;韩璞;;LS-SVM误差补偿的广义预测控制[J];计算机工程与应用;2010年03期
6 甘良志;孙宗海;孙优贤;;稀疏最小二乘支持向量机[J];浙江大学学报(工学版);2007年02期
7 江田汉;束炯;;基于LSSVM的混沌时间序列的多步预测[J];控制与决策;2006年01期
8 范玉刚;李平;宋执环;;动态加权最小二乘支持向量机[J];控制与决策;2006年10期
9 叶洪涛;罗飞;;基于免疫优化多输出最小二乘支持向量机及其应用[J];计算机应用研究;2010年06期
10 李冬;王璐;康文峥;;基于SVM的作战效能灵敏度分析[J];兵工自动化;2011年01期
11 高珏;王从庆;;基于LS-SVM的苹果近红外光谱回归模型的研究[J];计算机测量与控制;2011年01期
12 陈爱军;宋执环;李平;;基于矢量基学习的最小二乘支持向量机建模[J];控制理论与应用;2007年01期
13 党培;谭联;;FCM和LS-SVM相结合的粮虫图像分割算法[J];电脑开发与应用;2009年10期
14 黄银蓉;张绍德;季民;;一种基于LS-SVM与PID复合的逆控制系统[J];机电工程;2010年02期
15 邢永忠;吴晓蓓;徐志良;;基于矢量基学习的自适应迭代最小二乘支持向量机回归算法[J];南京理工大学学报;2011年03期
16 周蓓;刘玉生;;基于支持向量机对激光焊接的自适应控制[J];自动化与仪表;2008年07期
17 黄鲁江;雷烨;李华;;基于LS-SVM逆系统方法的非线性动态矩阵控制[J];兰州交通大学学报;2009年03期
18 陈金飚;;基于LS-SVM的变采样周期系统控制[J];浙江师范大学学报(自然科学版);2010年01期
19 穆朝絮;张瑞民;孙长银;;基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法[J];控制理论与应用;2010年02期
20 孙林;杨世元;;最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用[J];中国电机工程学报;2010年08期
中国重要会议论文全文数据库 前10条
1 刘泓;莫玉龙;;基于多分辨模型的有监督纹理图象的鲁棒分割[A];第九届全国信号处理学术年会(CCSP-99)论文集[C];1999年
2 张斌;费树岷;王冬晓;;一种改进的永磁同步电机单神经元PID控制器[A];2009年中国智能自动化会议论文集(第一分册)[C];2009年
3 赵恩民;闫德春;刘海宽;;一种强鲁棒性数字化直流伺服系统[A];1996中国控制与决策学术年会论文集[C];1996年
4 王祯学;林万昌;古钟壁;;自校正大范围预测控制[A];第三届全国控制与决策系统学术会议论文集[C];1991年
5 谭永红;;一种智能内模控制方法[A];第三届全国控制与决策系统学术会议论文集[C];1991年
6 赵闻飙;施颂椒;郭尚来;;基于神经网络的水轮发电机组自适应调速系统[A];1995年中国控制会议论文集(上)[C];1995年
7 白晶;赵弘;;基于鲁棒内模原理实现的高性能变频调速系统[A];中国自动化学会全国第九届自动化新技术学术交流会论文集[C];2004年
8 吴晓锋;陈晔;;舰艇作战系统网络复杂性及其分析[A];第二届全国复杂动态网络学术论坛论文集[C];2005年
9 张益;牛亚青;;一种基于视觉模型的DCT域水印算法[A];图像图形技术研究与应用2009——第四届图像图形技术与应用学术会议论文集[C];2009年
10 方立新;杨明;;基于抗火目标的建筑结构鲁棒性探讨[A];自主创新与持续增长第十一届中国科协年会论文集(3)[C];2009年
中国博士学位论文全文数据库 前10条
1 陈爱军;最小二乘支持向量机及其在工业过程建模中的应用[D];浙江大学;2006年
2 宋夫华;支持向量机逆系统方法及其应用研究[D];浙江大学;2006年
3 余本功;复杂产品开发过程建模与管理研究[D];合肥工业大学;2011年
4 陈曦;基于质量的注塑过程建模方法研究[D];浙江大学;2001年
5 谭天乐;基于粗糙集的过程建模、控制与故障诊断[D];浙江大学;2003年
6 罗乐;面向设计主体的产品开发过程建模及仿真[D];重庆大学;2010年
7 刘昕;多功能传感器信号重构方法研究及其应用[D];哈尔滨工业大学;2009年
8 郭磊;数字图像的鲁棒性水印技术研究[D];西安电子科技大学;2005年
9 李志军;约束模型预测控制的稳定性与鲁棒性研究[D];华北电力大学(北京);2005年
10 彭煜;基于多目标规划的DEA有效性研究[D];西南交通大学;2005年
中国硕士学位论文全文数据库 前10条
1 王笋;基于混沌的数字水印技术研究[D];华中科技大学;2004年
2 贾九红;阳极焙烧炉燃烧架温度PID控制器[D];兰州理工大学;2005年
3 李莹;基于AS级网络拓扑模型的研究与实现[D];湖南大学;2005年
4 杨东;基于神经网络的语音识别鲁棒性研究[D];山东师范大学;2005年
5 程金路;高性能感应电机电流控制研究[D];山东大学;2005年
6 吴鹏;时滞不确定系统的变结构控制[D];哈尔滨理工大学;2005年
7 袁树雄;英文文本多重数字水印算法研究[D];湖南大学;2006年
8 尉迟亮;数字水印系统和图像的鲁棒性数字水印研究[D];苏州大学;2006年
9 姬留杰;基于分数阶傅立叶变换的数字水印算法和容量分析[D];郑州大学;2007年
10 陈大明;基于对角递归神经网络永磁同步电机无传感器控制研究[D];沈阳工业大学;2007年
中国重要报纸全文数据库 前10条
1 杨尔辅 胡益锋;消除装置“瓶颈”的有效手段[N];中国化工报;2003年
2 信息工程大学测绘学院 闵连权;把信息隐藏在各个角落[N];计算机世界;2005年
3 蔡芳;选择改进的道路[N];中国计算机报;2004年
4 ;数字水印与防伪技术[N];计算机世界;2001年
5 李杰;统计的稳健性及其应用取得成果[N];科技日报;2006年
6 ;数字水印——藏起来的信息[N];计算机世界;2001年
7 凌夫;汽车无人驾驶开过来[N];中国交通报;2000年
8 本报记者 顾雪林;梦想:让计算机具有人类的感知能力[N];中国教育报;2002年
9 江苏 MACHO;识别手写识别[N];电脑报;2001年
10 王昕 熊光楞 王计斌;并行工程过程管理[N];计算机世界;2001年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978