最小二乘支持向量機(jī)建模及預(yù)測(cè)控制算法研究.pdf

1、論文以最小二乘支持向量機(jī)（Least Squares Support Vector Machines，LS—SVM）作為方法，研究其在工業(yè)過(guò)程建模中的若干問(wèn)題及其在預(yù)測(cè)控制算法中的應(yīng)用。具體研究?jī)?nèi)容包括： 1．為區(qū)別對(duì)待不同的訓(xùn)練數(shù)據(jù)，提出了一種模糊LS—sVM算法，利用拉格朗日乘子對(duì)每個(gè)訓(xùn)練數(shù)據(jù)定義了一個(gè)支持向量度，支持向量度的大小代表了數(shù)據(jù)對(duì)訓(xùn)練的重要程度。此外，采用剪切法對(duì)算法進(jìn)行了稀疏性處理，在建模精度損失很小的前提下，

2、實(shí)現(xiàn)了數(shù)據(jù)的稀疏化。在pH中和過(guò)程的建模仿真研究表明了算法的有效性。 2．針對(duì)LS—SVM求解中要對(duì)大矩陣求逆問(wèn)題，研究了LS—SVM和模糊LS—SVM模型參數(shù)的遞推計(jì)算方法。論文提出了逐個(gè)地增加訓(xùn)練數(shù)據(jù)時(shí)，遞推計(jì)算待辨識(shí)模型參數(shù)的方法，采用分塊矩陣求逆公式及和矩陣求逆公式推導(dǎo)得到了LS—SVM模型參數(shù)的遞推式。該算法被應(yīng)用于pH中和過(guò)程的仿真，實(shí)驗(yàn)結(jié)果表明該算法對(duì)于在線建模的有效性。 3．針對(duì)訓(xùn)練數(shù)據(jù)集規(guī)模較大時(shí)計(jì)算量

3、大的問(wèn)題，基于投影原理提出了一種LS—SVM稀疏逼近算法。訓(xùn)練集中的訓(xùn)練點(diǎn)構(gòu)成一個(gè)子空間，當(dāng)新的采樣數(shù)據(jù)加入時(shí)，首先投影到這個(gè)子空間中，計(jì)算得到該向量與子空間的距離。如果這個(gè)距離大于某一預(yù)先設(shè)定的門(mén)檻值，則認(rèn)為該數(shù)據(jù)含有新的信息，加入到訓(xùn)練集中；反之則剔除。此外，還提出了刪除一個(gè)數(shù)據(jù)點(diǎn)時(shí)在線LS—SVM的遞推算法。把增加數(shù)據(jù)的在線遞推算法、稀疏逼近算法和減少數(shù)據(jù)的在線遞推算法結(jié)合起來(lái)，提出了任意地控制訓(xùn)練集規(guī)模的方法。所提出的算法被應(yīng)用

4、于pH中和過(guò)程，結(jié)果表明，所提出的算法在精度犧牲很小的情況下，可以大大減少計(jì)算時(shí)間和減少內(nèi)存。 4．針對(duì)非均勻分布的樣本數(shù)據(jù)，提出了采用局部加權(quán)LS—SVM算法進(jìn)行在線建模來(lái)提高預(yù)測(cè)精度。在每一個(gè)采樣時(shí)刻，尋找與當(dāng)前輸入相類(lèi)似的樣本加入訓(xùn)練集，訓(xùn)練得到當(dāng)前時(shí)刻的模型，用來(lái)預(yù)測(cè)當(dāng)前時(shí)刻的輸出。為了區(qū)分訓(xùn)練數(shù)據(jù)在訓(xùn)練中的重要程度，每個(gè)訓(xùn)練樣本以不同的權(quán)值參與訓(xùn)練，對(duì)每個(gè)訓(xùn)練數(shù)據(jù)根據(jù)相似性指標(biāo)定義了一個(gè)權(quán)值，與測(cè)試樣本越接近的訓(xùn)練樣本

5、，相應(yīng)的權(quán)值就越大一些。所提出的算法應(yīng)用在了pH中和過(guò)程和某煉油廠芳烴異構(gòu)化過(guò)程的仿真在線建模中，結(jié)果表明了算法在預(yù)測(cè)精度和時(shí)間上的優(yōu)良性能。 5．研究了多輸/多輸出系統(tǒng)的在線LS—SVM算法以及相應(yīng)的稀疏性問(wèn)題，給出了多變量LS—SVM算法，推導(dǎo)了多變量LS—SVM的參數(shù)遞推公式，并且通過(guò)投影方法實(shí)現(xiàn)了算法的稀疏性，從而使該算法能夠在線應(yīng)用。所提出的算法應(yīng)用于解決C8芳烴異構(gòu)化裝置的在線建模問(wèn)題，取得了良好的效果。 6