论文部分内容阅读
支持向量机是一种建立在统计学习理论基础之上的机器学习方法，它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有很强的泛化能力。
最小二乘支持向量机是标准支持向量机的一种扩展，它是支持向量机在二次损失函数下的一种形式。LSSVM用等式约束代替不等式约束，求解过程变成了解一组等式方程，避免了求解耗时的QP问题。由于LSSVM只求解线性方程，其求解速度快，在如模式识别、回归估计、数据挖掘、控制理论等领域中得到了广泛应用。
固定尺度最小二乘支持向量机算法固定支持向量数目，解决了LSSVM中所有样本都是支持向量的缺陷，提高训练速度，弥补了LSSVM稀疏性问题，可作为LSSVM在大样本训练情况下的良好补充；研究了贝叶斯证据框架的LSSVM参数选择方法，通过仿真实验说明了该方法是一种有效的自动参数选择方法，它克服了LSSVM在参数选择方面的不确定性，为LSSVM的应用提供了可靠的支持。
针对非线性预测控制难题，提出一种LSSVM-PSO预测控制算法。其中采用LSSVM建立预测模型实现P步预测，PSO算法优化控制律，给出了该预测控制算法的具体描述。通过对于一个非线性系统的仿真实验表明，LSSVM预测模型具有很好的建模效果，预测控制系统的控制效果良好。
研究LSSVM回归建模在乙烯裂解炉裂解深度软测量中的应用。利用主元分析技术实现输入数据的降维，消除冗余信息的干扰；建立LSSVM软测量模型；并与基于RBF神经网络的软测量模型进行仿真比较，结果表明基于LSSVM软测量模型具有良好的预测效果，在泛化能力上优于RBF软测量模型。