基于支持向量機的軟測量技術(shù)研究.pdf

1、實際生產(chǎn)過程中存在著大量與產(chǎn)品質(zhì)量相關(guān)的重要變量難以在線測量，軟測量技術(shù)是解決這一問題的有效途徑，是進一步實現(xiàn)質(zhì)量控制和過程優(yōu)化的基礎。支持向量機（Support Vecto r Machine,SVM）是基于統(tǒng)計學習理論的一種機器學習方法，能夠較好的解決小樣本、過學習、高維數(shù)、局部最小等問題，為軟測量建模提供了一種可行的有效途徑。本文主要研究了基于支持向量機的軟測量建模技術(shù)，針對變量間非線性關(guān)系復雜的實際生產(chǎn)過程提出了基于SVM的軟測

2、量建模方法，并對兩組典型仿真數(shù)據(jù)和一組實際數(shù)據(jù)進行了軟測量建模研究。本論文的主要工作包括以下內(nèi)容： 首先，介紹了PLS-SVR軟測量建模方法的基本原理和實現(xiàn)步驟，該方法通過PLS提取過程的特征信息，用SVR擬合PLS內(nèi)部關(guān)系，可以有效地提高模型的非線性處理能力；針對多數(shù)軟測量建模方法只利用輔助變量二階信息的問題，提出了基于KPCA-SVR的軟測量建模方法，該方法通過對輔助變量核矩陣的特征分解和主元提取，隱含的利用了變量間的高階信

3、息；針對實際數(shù)據(jù)軟測量建模中的二個問題提出了用KNN方法對變量進行近鄰分析，KNN-KPCA-SVR建模方法是KPCA-SVR建模方法的推廣，該方法進一步考慮了變量在時間上的相互關(guān)系。 其次，仿真研究建立基于以上三種方法的回歸模型，結(jié)果表明，對于變量間相互獨立的輔助變量集，三種模型的預測精度和推廣能力優(yōu)于線性主元回歸（PCR）、線性偏最小二乘回歸（PLS）及線性核函數(shù)SVR 模型；對于變量間存在復雜非線性關(guān)系情況，KNN