基于改進支持向量機的連續(xù)攪拌反應釜辨識.pdf

1、由于非線性系統(tǒng)在工程中的廣泛存在，使得非線性辨識方法具有較強的工程應用背景，成為了當前系統(tǒng)辨識研究的熱點和難點。支持向量機能有效地解決小樣本、非線性條件下的問題，并具有良好的泛化性能，使其成為非線性辨識中的有力工具。
　　 考慮到實際辨識過程中，數(shù)據(jù)采集過程受到各種干擾和不確定因素的影響，造成所得數(shù)據(jù)樣本含有噪聲，辨識性能和效果下降。本文針對以上問題，基于加權(quán)支持向量機和小波支持向量機算法，研究其非線性辨識性能和抗噪能力。

2、>　　 論文的主要工作和結(jié)論如下：
　　 針對利用支持向量機進行非線性系統(tǒng)辨識，給出了利用支持向量機進行建模的完整流程，隨后重點討論支持向量機參數(shù)（核函數(shù)、懲罰系數(shù)、不敏感系數(shù)）對模型辨識性能的影響，并將其應用于CSTR（Continuously Stirred Tank Reactor，連續(xù)攪拌反應釜）的建模中，分別對CSTR模型中的兩個輸出量反應溫度（T）和反應濃度（Ca）進行建模，獲得了2個非線性模型。
　　 在

3、前述支持向量機的建模基礎(chǔ)之上，重新給出了利用加權(quán)支持向量機進行非線性系統(tǒng)建模的過程，并使用加權(quán)支持向量機完成建模。針對標準支持向量機對孤立點過于敏感，辨識模型性能較差的問題，提出了一種基于數(shù)據(jù)域描述的加權(quán)支持向量機辨識方法。該方法通過將數(shù)據(jù)映射至特征空間，通過計算樣本到特征空間中最小包含超球心的距離來確定加權(quán)系數(shù)，然后將樣本與其對應權(quán)值加入支持向量機訓練獲得辨識模型。并通過模擬實際情況中數(shù)據(jù)狀態(tài)——噪聲孤立點數(shù)據(jù)——進行仿真實驗，通過與

4、標準支持向量機進行對比證明該方法的性能。
　　 針對噪聲孤立點數(shù)據(jù)辨識問題，提出了一種小波變換的支持向量機辨識方法，并使用該小波變換支持向量機完成建模。該方法充分利用了小波變換對噪聲的過濾性能，首先對噪聲數(shù)據(jù)進行小波三層多尺度分解，隨后對各分量進行小波閾值消噪，并用消噪后分量分別訓練支持向量機，得到4個支持向量機子模型，最后進行小波重構(gòu)得到最終預測輸出。實驗證明，與標準支持向量機方法比較，該方法能夠更好的在噪聲孤立點數(shù)據(jù)情況下進