论文部分内容阅读
最小二乘支持向量机(Least squares support vector machine,LSSVM)是一种建立在VC维理论(Vapnik-Chervonenkis Dimension)和结构风险最小化原理(Structure RiskMinimization，SRM)基础上的核函数学习机器，具有理论完备、适应性强、推广能力好等优点。LS-SVM广泛应用于模式识别、回归估计和概率密度函数估计等方面。但LS-SVM仍然存在不足之处。针对LS-SVM参数不易调节问题，对现有方法进行总结分类，研究了具有代表性的参数优化方法，比较了它们的寻优能力。LS-SVM模型对噪声数据敏感，具有较差的鲁棒性，本文将一种新的加权方法与LS-SVM结合，使其对训练样本中的所有离群点都具有处理能力，提高了模型的鲁棒性。LS-SVM丧失了稀疏性，这种稀疏性在二次训练中具有重要的算法优势，利用本文提出的新的加权方法，依据权值对样本进行修剪，使LS-SVM获得稀疏性，仿真实验表明一定范围内的稀疏化甚至可以进一步提高模型预测精度。
以德士古气化炉作为工程实施的对象，从工程应用的角度对其实施软测量技术。由于德士古气化炉内反应具有强气流、强腐蚀特性，获得的辅助变量存在噪声污染，而且部分辅助标量的变化范围很大，导致利用传统的统计学方法较难判断出那些数据存在噪声。基于上述加权最小二乘支持向量机，模型获得判别噪声数据的能力，使模型具有鲁棒性，然后应用剪枝算法，模型获得稀疏性并进一步提高其精度。