基于组合核函数支持向量机的软测量技术及其应用研究

【摘要】：软测量的基本思想是,将先进的自动控制理原理与实际生产工艺过程相结合,运用计算机技术,对现有技术无法检测或较难测量的目标变量,选择另外一些与之相关的、容易测量的辅助变量,通过构造某种映射关系来进行预测、估计。通常这类方法具有响应速度快,能够给出目标变量的连续信息,且成本低、保养维护简易等优点。 现代统计学习理论则是专门研究建立在样本信息为有限情况下的机器学习理论,为有限样本的机器学习问题找到了一条解决途径。由于在实际的工业生产控制系统中大都采集有限的样本信息,来建立模式识别或预测估计模型,因而从理论上分析,统计学习理论具有一定的优越性。支持向量机正是在统计学习理论的基础上发展的一种较新的通用机器学习方法,由于其采用结构风险最小化原则,具有很高学习精度及良好的推广泛化能力。 本文以支持向量回归机算法及应用为主要内容,在深入分析软测量技术原理的基础之上,针对软测量建模过程当中,目标变量与辅助变量之间存在着较大的非线性、模糊关系,拟采用一种基于组合核函数的支持向量回归机软测量建模方法。全文的主要工作如下: 1、采用一种线性组合核函数的方法,将具有不同特性的核函数以线性组合的形式构成一类新的且满足Mercer定理的混合核函数,组合核函数兼具了全局核函数与局部核函数的优点,并可通过权重系数因子调节它们对组合核函数的作用大小,在支持向量机模型中取得了较好的综合预测效果。实验结果也表明:基于组合核函数的支持向量回归机模型能够取得较高的学习精度。 2、将基于组合核函数的支持向量回归机算法应用于软测量建模过程中,为有限样本、高维数、非线性软测量建模问题提供了一种行之有效的思路。不仅为实现复杂的非线性控制系统建模提供了控制理论新方法,同时也拓展了现代控制领域的研究内容。 通过对纺织印染业废水中“酸性品红脱色率”的建模应用表明,基于支持向量机回归算法的软测量模型在泛化能力及测量精度等方面具有一定的优越性、实用性,取得了较基于机理分析的传统软测量技术方法更好的估计预测效果;针对纺织印染废水处理过程当中,数据采集时滞大、噪声强、参数非线性、酸性品红等有机溶剂难以实时在线检测的问题,将基于组合核函数的支持向量回归机算法应用于目标参数的软测量建模中,仿真结果证明:此方法能够取得比采用单一基核方法更高的拟合精度,在推广泛化性能方面同样取得了较为理想的效果,能够满足印染废水处理过程中重要参数变量的在线预估要求。