学位论文 > 优秀研究生学位论文题录展示

智能支持向量机方法及其在丙烯聚合熔融指数预报中的应用

作　者: 蒋华琴
导　师: 刘兴高
学　校: 浙江大学
专　业: 工业过程统计建模和优化
关键词: 粒子群优化算法支持向量机熔融指数预报在线校正策略参数寻优
分类号: TQ325.14
类　型: 硕士论文
年　份: 2012年
下　载: 39次
引　用: 0次
阅　读: 论文下载

内容摘要

熔融指数(MI)是聚丙烯生产的重要指标之一,建立可靠的熔融指数预报模型非常重要。丙烯聚合过程机理复杂,生产工艺多样,设备工段繁多,因此采用机理建模方法存在相当大的难度。而统计建模方法是一种依赖数据的方法,对系统内部机理的了解要求很少,所以在丙烯聚合熔融指数预报中得到广泛应用。统计学习理论是一种基于小样本的机器学习理论,支持向量机是在此理论基础上提出来的。它根据结构风险最小化原则,通过核函数在一个高维特征空间中构造线性决策函数,避免了维数灾难,且可达到全局最优解。支持向量机良好的性能使其成为机器学习领域的热点课题。支持向量机的性能依赖其参数的选择,本文应用智能优化算法进行参数寻优,从而建立多种智能支持向量机模型。本文的主要内容包括：1.为了降低标准支持向量机(SVM)的计算复杂度,提高其学习速度、泛化能力和稀疏性,本文研究了最小二乘支持向量机(LSSVM).加权最小二乘支持向量机(WLSSVM)和相关向量机(RVM),并用于熔融指数预报。实验结果表明上述方法的可行性和有效性。2.核函数参数和惩罚参数决定了支持向量机的性能,选择最佳的参数可以直接提高模型预报能力。针对支持向量机的参数选择问题,本文采用带有权重因子的改进粒子群优化算法,分别对LSSVM、WLSSVM和RVM的参数进行寻优,建立了单纯智能支持向量机模型(PSO-LSSVM、PSO-WLSSVM和PSO-RVM)。PSO算法具有很强的寻优能力和快速的收敛速度,能在最短的时间内找到函数的全局最优点,使参数寻优成为可能。实验结果表明优化后的模型具有更好的预报效果。3.针对标准粒子群算法在迭代过程中易出现粒子过早收敛而陷入局部最优的缺陷,通过引入免疫系统的抗体选择机制,构造了一种基于免疫机制的免疫粒子群优化(IC-PSO)算法,来保持更新粒子的多样性,从而克服标准粒子群算法过早收敛的缺陷；为了减小粒子群搜索的盲目性,避免早熟,本文利用蚁群算法为免疫粒子群算法找到一条最优路径,构造了蚁群-免疫粒子群优化(AC-ICPSO)算法。然后利用这两种优化方法对LSSVM和WLSSVM进行参数寻优,建立了混合智能支持向量机模型(ICPSO-LSSVM、AC-ICPSO-LSSVM. ICPSO-WLSSVM、AC-ICPSO-WLSSVM).以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出模型的有效性和良好的预报精度。4.针对丙烯聚合生产控制中,系统存在高复杂性、不可确定性、多层次性等特点,本文提出了模型在线校正策略。随着数据的更新,不断调整预报模型以适应最新工况。实验表明,校正后的模型预报效果更好。

全文目录

致谢  5-6
摘要  6-7
Abstract  7-8
目录  8-10
1 绪论  10-28
  1.1 引言  10
  1.2 机器学习  10-13
    1.2.1 机器学习分类和应用  11
    1.2.2 机器学习表示  11-13
  1.3 统计学习理论  13-21
    1.3.1 最小化期望风险的准则  13-15
    1.3.2 支持向量机理论  15-21
  1.4 智能优化算法  21-24
    1.4.1 智能优化算法的分类  22-23
    1.4.2 智能优化算法性能的改善  23-24
  1.5 熔融指数预报研究现状  24-25
  1.6 本文的内容安排  25-26
  1.7 小结  26-28
2 支持向量机  28-44
  2.1 引言  28-29
  2.2 SVM非线性回归原理  29-34
    2.2.1 最小二乘支持向量机  32-33
    2.2.2 加权最小二乘支持向量机  33-34
  2.3 相关向量机  34-37
    2.3.1 相关向量机的基本理论  34-35
    2.3.2 相关向量机模型基本原理  35-37
  2.4 聚丙烯熔融指数预报  37-43
    2.4.1 聚丙烯生产背景  37-38
    2.4.2 过程数据及其预处理  38-39
    2.4.3 检验模型指标  39-40
    2.4.4 模型性能比较  40-43
  2.5 小结  43-44
3 简单智能支持向量机  44-56
  3.1 引言  44
  3.2 基本粒子群优化算法描述  44-47
    3.2.1 粒子群优化算法的改进  46-47
  3.3 简单智能支持向量机模型  47-49
  3.4 实例验证  49-53
    3.4.1 PSO算法优化支持向量机的参数选择  49-51
    3.4.2 模型性能比较  51-53
  3.5 小结  53-56
4 混合智能支持向量机  56-72
  4.1 引言  56
  4.2 免疫克隆算法  56-61
    4.2.1 人工免疫算法  57-60
    4.2.2 克隆选择算法  60-61
    4.2.3 免疫算法的特点  61
  4.3 蚁群算法  61-66
    4.3.1 蚁群算法基本原理  62
    4.3.2 基本蚁群算法的数学模型  62-64
    4.3.3 基本蚁群算法的具体实现  64-65
    4.3.4 蚁群算法的特点  65-66
  4.4 混合智能支持向量机模型  66-68
    4.4.1 免疫粒子群优化支持向量机  66-67
    4.4.2 蚁群—免疫粒子群优化支持向量机  67-68
  4.5 实例验证  68-71
  4.6 总结  71-72
5 校正策略  72-80
  5.1 引言  72
  5.2 数据的校正  72-74
    5.2.1 数据协调方法  73-74
    5.2.2 显著误差检测  74
  5.3 模型的在线校正  74-77
    5.3.1 直接在线校正法  75-76
    5.3.2 替代法  76
    5.3.3 滑动窗法  76-77
  5.4 熔融指数在线校正预报  77-79
  5.5 小结  79-80
6 总结和展望  80-82
  6.1 全文总结  80-81
  6.2 研究设想和展望  81-82
参考文献  82-90
作者攻读硕士期间的成果  90

智能支持向量机方法及其在丙烯聚合熔融指数预报中的应用

内容摘要

全文目录

相似论文