智能支持向量機方法及其在丙烯聚合熔融指數預報中的應用.pdf

1、熔融指數(MI)是聚丙烯生產的重要指標之一，建立可靠的熔融指數預報模型非常重要。丙烯聚合過程機理復雜，生產工藝多樣，設備工段繁多，因此采用機理建模方法存在相當大的難度。而統計建模方法是一種依賴數據的方法，對系統內部機理的了解要求很少，所以在丙烯聚合熔融指數預報中得到廣泛應用。
　　 統計學習理論是一種基于小樣本的機器學習理論，支持向量機是在此理論基礎上提出來的。它根據結構風險最小化原則，通過核函數在一個高維特征空間中構遣線性決策

2、函數，避免了維數災難，且可達到全局最優(yōu)解。支持向量機良好的性能使其成為機器學習領域的熱點課題。支持向量機的性能依賴其參數的選擇，本文應用智能優(yōu)化算法進行參數尋優(yōu)，從而建立多種智能支持向量機模型。本文的主要內容包括：
　　 1.為了降低標準支持向量機(SVM)的計算復雜度，提高其學習速度、泛化能力和稀疏性，本文研究了最小二乘支持向量機(LSSVM)、加權最小二乘支持向量機(WLSSVM)和相關向量機(RVM)，并用于熔融指數預報。

3、實驗結果表明上述方法的可行性和有效性。
　　 2.核函數參數和懲罰參數決定了支持向量機的性能，選擇最佳的參數可以直接提高模型預報能力。針對支持向量機的參數選擇問題，本文采用帶有權重因子的改進粒子群優(yōu)化算法，分別對LSSVM、WLSSVM和RVM的參數進行尋優(yōu)，建立了單純智能支持向量機模型(PSO-LSSVM，PSO-WLSSVM和PSO-RVM)。PSO算法具有很強的尋優(yōu)能力和快速的收斂速度，能在最短的時間內找到函數的全局最優(yōu)點

4、，使參數尋優(yōu)成為可能。實驗結果表明優(yōu)化后的模型具有更好的預報效果。
　　 3.針對標準粒子群算法在迭代過程中易出現粒子過早收斂而陷入局部最優(yōu)的缺陷，通過引入免疫系統的抗體選擇機制，構造了一種基于免疫機制的免疫粒子群優(yōu)化(IC-PSO)算法，來保持更新粒子的多樣性，從而克服標準粒子群算法過早收斂的缺陷；為了減小粒子群搜索的盲目性，避免早熟，本文利用蟻群算法為免疫粒子群算法找到一條最優(yōu)路徑，構造了蟻群-免疫粒子群優(yōu)化(AC-ICPS

5、O)算法。然后利用這兩種優(yōu)化方法對LSSVM和WLSSVM進行參數尋優(yōu)，建立了混合智能支持向量機模型(ICPSO-LSSVM、AC-ICPSO-LSSVM、ICPSO-WLSSVM、AC-ICPSO-WLSSVM)。以實際聚丙烯生產的熔融指數預報作為實例進行研究，結果表明所提出模型的有效性和良好的預報精度。
　　 4.針對丙烯聚合生產控制中，系統存在高復雜性、不可確定性，多層次性等特點，本文提出了模型在線校正策略。隨著數據的更新