數(shù)據(jù)挖掘技術(shù)在聚合過(guò)程中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是一種基于數(shù)據(jù)信息提取的綜合技術(shù)，它建立在數(shù)據(jù)庫(kù)的基礎(chǔ)之上，不依賴(lài)于對(duì)象的先驗(yàn)知識(shí)，避免了由于先驗(yàn)知識(shí)帶來(lái)的誤差。數(shù)據(jù)挖掘技術(shù)起源于商業(yè)的應(yīng)用，在工業(yè)領(lǐng)域特別是化工領(lǐng)域的應(yīng)用還較少，本課題針對(duì)化工過(guò)程的數(shù)據(jù)特點(diǎn)研究數(shù)據(jù)挖掘技術(shù)在化工聚合反應(yīng)過(guò)程軟測(cè)量建模中的應(yīng)用。
　　 針對(duì)單一支持向量機(jī)模型不能精確地對(duì)聚合反應(yīng)過(guò)程質(zhì)量指標(biāo)進(jìn)行估計(jì)的問(wèn)題，提出了一種基于樣本特性的分類(lèi)樹(shù)組合支持向量機(jī)模型，以提高聚合物平均分子量的估計(jì)

2、精度。利用數(shù)據(jù)樣本特性進(jìn)行分類(lèi)，避免了分類(lèi)結(jié)果的多樣化。聚合物平均分子量軟測(cè)量建模的仿真表明，該組合支持向量機(jī)(SVM)軟測(cè)量模型具有較高的估計(jì)精度。
　　 數(shù)據(jù)分類(lèi)帶來(lái)的一個(gè)問(wèn)題就是相鄰類(lèi)別間的信息干擾比較大，使得子模型的估計(jì)精度提高有限，對(duì)跳變較大的數(shù)據(jù)無(wú)法正確地進(jìn)行跟蹤。而線(xiàn)性判別分析(Linear Discriminant Analysis，LDA)是一種用于擴(kuò)大類(lèi)別間的距離的有效方法，能有效地降低類(lèi)別間的信息干擾，提高

3、子模型的估計(jì)能力。將該方法應(yīng)用于聚合物軟測(cè)量模型的建模中，仿真結(jié)果表明該組合模型不僅能降低類(lèi)別間的信息干擾，提高子模型的估計(jì)精度，對(duì)突變數(shù)據(jù)也有很好的跟蹤效果。
　　 為進(jìn)一步提高數(shù)據(jù)模型的估計(jì)精度，本文針對(duì)經(jīng)常使用的聚類(lèi)算法數(shù)據(jù)信息不完備的問(wèn)題提出一種基于貝葉斯分類(lèi)器的組合模型的建立方法。該方法是基于數(shù)據(jù)的輸入和輸出的一種分類(lèi)方法，利用數(shù)據(jù)的輸出進(jìn)行類(lèi)別劃分，根據(jù)樣本的類(lèi)別概率判斷樣本的類(lèi)別屬性。將貝葉斯分類(lèi)器與LDA相結(jié)合，

4、不僅保持了數(shù)據(jù)信息的完備性，也在很大程度上降低了類(lèi)別間的信息干擾。仿真表明，該組合模型具有較高的估計(jì)精度和較好的跟蹤能力，具有一定的實(shí)用性。
　　 本文最后針對(duì)SVM對(duì)所有樣本賦予同樣的懲罰系數(shù)，不能突出一些重要樣本的問(wèn)題，提出了一種基于AdaBoosting算法的組合SVM模型。該方法是建立在貝葉斯分析的基礎(chǔ)上，利用貝葉斯計(jì)算得到的樣本概率初始化懲罰系數(shù)，利用損失函數(shù)的回歸更新懲罰權(quán)重，使得SVM訓(xùn)練模型有“強(qiáng)”，“弱”之分，