模糊支持向量机在青霉素发酵中的应用

支持向量机（SVM）是一种基于结构风险最小化原理（SRM）的学习算法,也是一种具有很好的泛化性能的回归方法.针对青霉素发酵过程中的菌体浓度进行软测量建模,提出了一种新的基于距离的模糊支持向量机,并用序列最小优化算法（SMO）求解优化问题.仿真实例说明能够对青霉素发酵过程中不可在线测量的变量进行软测量,达到了较高的测量精度.     

基于加权支持向量机的移动建模方法及其在软测量中的应用

工业过程软测量技术的核心问题是建立软测量模型,然而,利用传统全局建模方法与多 模型建模方法进行复杂工业过程软测量建模时,在不同程度上存在一些问题.本文利用支持向量 机(SVMs)泛化能力强的特点,结合局部加权学习(LWL)算法思想,提出一种适于局部学习的加 权支持向量机(W_SVMs)学习算法和基于这种算法的移动建模方法.利用这种建模方法对Box- Jenkins煤气炉和重油催化裂化(FCCU)装置进行分析建模,并与其它不同建模方法进行比较,显 示了该方法的优点和有效性.     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

粗糙支持向量机

支持向量机(SVM)是一种重要的数据机器学习工具,其有效性依赖于对数据信息获取的准确性.以往的支持向量机模型都没有考虑到数据等价类信息.为此,基于粗糙集理论和支持向量机思想,提出了一种新的支持向量机模型--粗糙支持向量机(RSVM).采用UCI机器学习数据库中的数据做对比实验,结果表明RSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有较高的测试精度.     

基于PCA-SVM的软测量建模方法与应用

主元分析(PCA)能够有效地提取数据的特征信息，消除变量问的共线性；而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显的优点。本提出了将PCA与SVM相结合的软测量建模方法，并利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，应用结果表明了该方法的有效性和优越性。     

基于支持向量机的多传感器信息融合算法

支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法。针对工业多传感器测控系统中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持SVM的多传感器信息融合模型及算法。为小样本、非线性、高维数一类多传感器信息融合问题的建模提供了一种有效的途径。通过对“纸张水份在线测量系统”应用表明,基于SVM的多传感器信息融合模型及算法在测量精度和推广性能上都具有一定的优越性。     

基于支持向量机的软测量建模方法

提出了一种基于支持向量机的软测量方法，并建立了青霉素发酵过程中菌丝浓度的软测量模型，通过实验分析了参数调整和核函数选择对支持向量机建模的影响．利用现场数据建立各种软测量模型可以发现，与其他软测量方法相比，支持向量机方法在理论上优于人工神经网络等其他建模方法．     

基于高斯过程和支持向量机的软测量建模比较及应用研究

给出了基于高斯过程和支持向量机的软测量建模方法 ,在不牺牲性能的条件下 ,高斯过程与支持向量机相比 ,是一种有着概率意义的核学习机 ,同时它更容易实现 ,理论分析和仿真研究表明了高斯过程在软测量建模中的优越性     

基于SVM的软测量建模

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型学习机，本 文提出用支持向量机建立软测量模型．理论分析和仿真研究表明，该方法学习速度快、跟踪 性能好、泛化能力强、对样本的依赖程度低，比基于RBF神经网络的软测量建模具有更好的 推广能力．     

模糊支持向量机的训练算法研究

支持向量机(support vector machine,SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域.并且传统的支持向量机由于噪音教据的存在而易出现过学习现象,因而有必要消除噪音的影响.基于以上考虑,提出了一种模糊支持向量机模型.本论文主要针对该类型的模糊支持向量机进行研究.     

基于支持向量机软测量技术的应用

软测量技术在工业过程控制中得到广泛的应用。在软测量建模过程中，基于支持向量机的算法能较好地解决小样本、非线性、高维数、局部极小点等问题。在简单介绍最小二乘支持向量机算法的基础上，提出了一种新的改进算法——多输入多输出最小二乘支持向量机算法，将其应用到丙烯腈收率的预测模型中，并且与传统的神经网络算法以及多输入单输出最小二乘支持向量机算法进行建模比较。结果表明，这种算法可以在付出轻微代价的基础上，实现多输入多输出模型的软测量，并取得良好的效果。     

铝电解槽参数的最小二乘支持向量机软测量模型

电解温度、氧化铝浓度和极距是铝电解槽中十分重要却又难以在线测量的3个参数.针对这个问题,提出一种基于最小二乘支持向量机和粒子群优化的新方法,建立这3个参数的软测量模型.该方法考虑最小二乘支持向量机的算法参数的选取问题,先定义预测误差的平方和的算术平均作为适应度函数,然后采用粒子群优化技术在可行域内不断迭代搜索,使适应值不断减小,最终得到最优的算法参数,以及对应的模型参数.仿真结果表明:本文方法具有比神经网络方法更小的绝对误差和相对误差,证明了本文方法的有效性和优越性.     

基于网格聚类LS-SVM 的铝电解生产过程极距软测量

针对铝电解生产过程的复杂性,建立了基于网格共享近邻聚类（GNN）最小二乘支持向量机（LS-SVM）的铝电解生产过程极距软测量模型.该模型采用GNN算法将训练集分成具有不同聚类中心的子集,对各子集分别采用LS-SVM进行训练并建立子模型,同时通过参数转化实现模型对新数据样本的动态学习.仿真结果表明,基于GNN最小二乘方法建立的铝电解极距软测量模型具有精度高、泛化性能好等特点,能够为铝电解生产过程操作优化提供实时准确的信息.     

基于改进ABC与LS-SVM算法的电力负荷预测的研究

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量,提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ,再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度,更小的误差,是一种有效的预测方法。     

基于免疫优化多输出最小二乘支持向量机及其应用*

传统的支持向量机是一种两类问题的判别方法, 不能直接应用于多类分类问题。为了解决这个问题,提出了一种免疫优化多输出最小二乘支持向量机方法。该方法利用免疫算法来优化最小二乘支持向量机的参数。将该方法应用于污水生化处理过程建模及语音情感识别,仿真结果表明,该方法具有更高的精度。     

New Least Squares Support Vector Machines Based on Matrix Patterns

Support vector machine (SVM), as an effective method in classification problems, tries to find the optimal hyperplane that maximizes the margin between two classes and can be obtained by solving a constrained optimization criterion using quadratic programming (QP). This QP leads to higher computational cost. Least squares support vector machine (LS-SVM), as a variant of SVM, tries to avoid the above shortcoming and obtain an analytical solution directly from solving a set of linear equations instead of QP. Both SVM and LS-SVM operate directly on patterns represented by vector, i.e., before applying SVM or LS-SVM to a pattern, any non-vector pattern such as an image has to be first vectorized into a vector pattern by some techniques like concatenation. However, some implicit structural or local contextual information may be lost in this transformation. Moreover, as the dimension d of the weight vector in SVM or LS-SVM with the linear kernel is equal to the dimension d ₁ × d ₂ of the original input pattern, as a result, the higher the dimension of a vector pattern is, the more space is needed for storing it. In this paper, inspired by the method of feature extraction directly based on matrix patterns and the advantages of LS-SVM, we propose a new classifier design method based on matrix patterns, called MatLSSVM, such that the new method can not only directly operate on original matrix patterns, but also efficiently reduce memory for the weight vector (d) from d ₁ × d ₂ to d ₁ + d ₂. However like LS-SVM, MatLSSVM inherits LS-SVM’s existence of unclassifiable regions when extended to multi-class problems. Thus with the fuzzy version of LS-SVM, a corresponding fuzzy version of MatLSSVM (MatFLSSVM) is further proposed to remove unclassifiable regions effectively for multi-class problems. Experimental results on some benchmark datasets show that the proposed method is competitive in classification performance compared to LS-SVM, fuzzy LS-SVM (FLS-SVM), more-recent MatPCA and MatFLDA. In addition, more importantly, the idea used here has a possibility of providing a novel way of constructing learning model.     

一种基于全局代表点的快速最小二乘支持向量机稀疏化算法

非稀疏性是最小二乘支持向量机（Least squares support vector machine,LS-SVM）的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想.为了进一步改进LS-SVM稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法（Global-representation-based sparse least squares support vector machine,GRS-LSSVM）.在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性.利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路.该算法对LS-SVM的非迭代稀疏化研究进行了有益的探索.通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点.     

LS-SVM在提高气压测高系统精度中的应用研究

在利用计算机软件补偿飞机测高系统误差方法中,传统的采用分段拟合方法精度不高,非线性误差大;神经网络存在过学习、网络拓扑结构不易确定以及泛化能力差等缺点。提出利用最小二乘支持向量机(LS-SVM)对某型飞机测高系统误差进行预测、补偿,提高其测高精度。在分析LS-SVM回归算法的基础上,利用LS-SVMlab1.5对某型飞机测高系统误差样本数据进行了仿真。结果表明,LS-SVM在数据回归预测方面精度高、泛化能力强、稳定性好,可以有效提高飞机气压测高系统精度,具有应用推广价值。     

基于LS-SVM的非线性多功能传感器信号重构方法研究

提出了基于最小二乘支持向量机(Least squares support vector machine, LS-SVM)的非线性多功能传感器信号重构方法. 不同于通常采用的经验风险最小化重构方法, 支持向量机(Support vector machine, SVM)是基于结构风险最小化准则的新型机器学习方法, 适用于小样本标定数据情况, 可有效抑制过拟合问题并改善泛化性能. 在SVM基础上, LS-SVM将不等式约束转化为等式约束, 极大地简化了二次规划问题的求解. 研究中通过L-折交叉验证实现调整参数优化, 在两种非线性情况下对多功能传感器的输入信号进行了重构, 实验结果显示重构精度分别达到0.154\%和1.146\%, 表明提出的LS-SVM重构方法具有高可靠性和稳定性, 验证了方法的有效性.     

基于QGA-LSSVM的醋酸乙烯聚合率软测量建模

针对最小二乘支持向量机(LS-SVM)在建立醋酸乙烯(VAC)聚合率软测量模型过程中最优模型参数的选择问题,提出了利用一种量子遗传算法来自动选取LS-SVM模型正则化参数和核函数参数的方法;把LS-SVM模型参数的选择问题转化为优化问题,利用全局搜索能力强的量子遗传算法优化LS-SVM建模过程的重要参数,建立了基于QGA-LSSVM方法的VAC聚合率软测量模型;仿真结果表明:与已有的神经网络和支持向量机软测量方法相比,该模型泛化能力强,精度高,更有利于醋酸乙烯聚合率测量工程实际运用。