基于最小二乘支持向量机的自适应逆扰动消除控制系统

研究一种基于最小二乘支持向量机的自适应逆扰动消除控制器的设计问题,给出了基于最小二乘支持向量机的建模和逆建模方法,以及贝叶斯证据框架下高斯核支持向量机估计算法的参数选择方法.仿真结果验证了该方法的有效性.     

基于Bayesian的海洋脂肪酶发酵过程软测量建模

针对海洋微生物低温碱性脂肪酶发酵过程中的关键生物参数(如菌体浓度、葡萄糖浓度等)难以在线检测,提出了一种基于贝叶斯证据框架下的加权最小二乘支持向量机(WLS-SVM)的建模方法.首先,对生物参数进行非线性建模分析,确定软测量模型的辅助变量.然后,应用训练样本集对最小二乘支持向量机进行训练,训练过程中运用贝叶斯证据框架下的三层推断确定模型的最优权向量、最优正则化参数、最优核参数.为了提高模型的鲁棒性,根据误差变量确定权重系数,建立了在发酵过程中可准确预测生物参数的WLS-SVM模型.试验仿真中与传统最小二乘支持向量机模型进行对比,结果表明,基于贝叶斯证据框架下的加权最小二乘支持向量机模型具有计算速度快、泛化能力强、预测精度高等特点.     

稀疏贝叶斯模型与相关向量机学习研究

虽然支持向量机在模式识别的相关领域得到了广泛应用,但它自身固有许多不足之处.相关向量机是在稀疏贝叶斯框架下提出的稀疏模型,模型没有规则化系数,核函数不要求满足Mercer条件.相关向量机不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果.首先介绍了稀疏贝叶斯回归和分类模型,通过参数推断过程,将相关向量机学习转化为最大化边缘似然函数估计,并分析了3种估计方法,给出了快速序列稀疏贝叶斯学习算法流程.     

基于最大熵估计的支持向量机概率建模

提出一种基于最大熵估计的支持向量机概率建模方法．针对传统的支持向量机方法不能提供后验概率的输出问题，从信息熵的角度采用最大熵估计方法，直接对支持向量机输出进行后验概率建模．实验结果表明，与同类算法相比，所提出的基于最大熵估计的概率建模方法具有优良的性能．     

贝叶斯分类器的关联向量机多模型软测量建模

为了改善软测量模型的估计精度,提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类,并对不同类别的输入数据分别建立关联向量回归机子模型,用“切换开关”方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明：与单模型支持向量机相比,该方法估计精度较高,具有一定的应用价值。     

贝叶斯框架下的LSSVM和贝叶斯网络及其应用

贝叶斯理论能够利用样本信息和先验知识,简化预测模型,优化参数.主要介绍了贝叶斯框架下的最小二乘支持向量机算法和贝叶斯正则化神经网络,贝叶斯框架下的最小二乘支持向量机能确定正则化参数和核参数,贝叶斯正则化网络能够自适应的调整网络的复杂度和网络的隐节点个数.以轻柴油的凝点、闪点、95%馏出温度3个关键指标输出为例分别建立了这两种预测模型,并且对结果进行了比较,仿真结果表明贝叶斯框架下的最小二乘支持向量机比贝叶斯正则化网络有更强的泛化能力,而且程序运行速度快,运算精度高.     

基于核岭回归估计器的常压塔航煤干点推断控制

提出了一种基于核岭回归推断估计器的新型推断控制策略，来实现常压塔航煤干点的在线检测和控制.首先，对支持向量机与最小二乘支持向量机回归算法进行了分析，并提出一种直接优化核岭回归算法.其次，通过采集的二次变量数据和化验数据，用核岭回归方法建立了航煤干点的估计器模型．最后进行了仿真，结果表明，在相同样本集下，与支持向量机、RBF网络模型比较，所提建模方法调节参数少，预测精度高．     

基于支持向量机的在线建模方法及应用

针对常规v支持向量回归用于在线建模时存在的问题，提出了一种支持向量回归在线建模方法．利用贝叶斯证据框架优化模型参数，通过判断新增观测值是否满足原来的KKT条件，并对历史数据给予不同程度的加权以充分利用最新的数据信息，使模型随着时间的推移在线更新．工业PTA氧化过程中4-CBA含量预测的实例表明，该方法能很好地跟踪4-CBA含量的变化趋势，是一种有效的在线建模方法．     

基于矢量基学习的浸出过程在线建模

传统的支持向量回归算法因基于批量训练方法而无法适应浸出过程在线建模实时性的要求.在分析研究一种基于矢量基学习的支持向量回归算法的基础上,提出了基于矢量基学习的浸出过程在线建模方法.利用贝叶斯证据框架优化模型参数,分析新样本矢量与矢量空间的夹角,从而推导出该样本是否为基矢量.将该方法应用于浸出过程浸出率的预测,实验结果表明,该方法不但能很好地跟踪浸出率的变化趋势,而且显著地缩短了运算时间.     

基于贝叶斯网络的软测量建模方法

软测量技术对化工生产过程中提高产品质量和保证安全生产具有重要的作用,因此对化工软测量建模方法的研究具有重要意义.本文将贝叶斯网络应用于化工软测量建模,采用高斯混合模型来近似表达贝叶斯网络模型中的联合概率分布,通过Expectation Maximization算法求解出高斯混合模型参数并给出了贝叶斯网络估计公式.应用此法分别对某炼油厂脱丁烷塔塔底丁烷含量和某双酚A生产过程中脱水塔出口组分苯酚含量建立了软测量模型,取得了良好的离线估计结果.仿真结果表明,与支持向量机相比,在估计精度相当的情况下,省去了许多过程参数的估计,是1种有效的软测量建模方法.     

基于后验概率的支持向量机

在支持向量机(support vector machines,SVM)中,训练样本总是具有明确的类别信息,而对于一些不确定性问题并不恰当．受贝叶斯决策规则的启发,利用样本的后验概率来表示这种不确定性．将贝叶斯决策规则与SVM相结合,建立后验概率支持向量机(posteriori probability support vector machine,PPSVM)的体系框架．并详细讨论线性可分性、间隔、最优超平面以及软间隔算法,得到了一个新的优化问题,同时给出了一个支持向量的新定义．实际上,后验概率支持向量机是建立于统计学习理论(statistical learning theory)基础之上,是标准SVM的扩展．针对数据,还提出了一个确定后验概率的经验性方法．实验也证明了后验概率支持向量机的合理性、有效性．     

The evidence framework applied to support vector machines

We show that training of the support vector machine (SVM) can be interpreted as performing the level 1 inference of MacKay's evidence framework (1992). We further on show that levels 2 and 3 of the evidence framework can also be applied to SVMs. This integration allows automatic adjustment of the regularization parameter and the kernel parameter to their near-optimal values. Moreover, it opens up a wealth of Bayesian tools for use with SVMs. Performance of this method is evaluated on both synthetic and real-world data sets.     

基于混合贝叶斯SVM的电价分类与预测

电价的分类与预测是电力市场电价理论研究中的重要内容。该文提出了混合贝叶斯支持向量机方法(BE-SVM)，通过贝叶斯统计方法对电价进行分类，挖掘有效的数据信息，并结合支持向量机(SVM)技术预测现货电价数据，贝叶斯前验分布和后验分布用来估计SVM中的参数。通过比较模型BE-SVM、SVM 和神经网络(ANN)的预测结果，表明该文提出的BE-SVM方法提高了电价的预测精度，是一种有效的方法。     

Moderating the outputs of support vector machine classifiers

In this paper, we extend the use of moderated outputs to the support vector machine (SVM) by making use of a relationship between SVM and the evidence framework. The moderated output is more in line with the Bayesian idea that the posterior weight distribution should be taken into account upon prediction, and it also alleviates the usual tendency of assigning overly high confidence to the estimated class memberships of the test patterns. Moreover, the moderated output derived here can be taken as an approximation to the posterior class probability. Hence, meaningful rejection thresholds can be assigned and outputs from several networks can be directly compared. Experimental results on both artificial and real-world data are also discussed.     

基于支持向量机的供应商评价模型

提出了利用支持向量机建立供应商评价系统的方法．给出了供应商评价指标体系及具体量化方法，采用支持向量机的1-v-1分类策略建立了供应商的评价模型．最后通过仿真实验证明了基于支持向量机的供应商评估系统的可行性和实用性．仿真表明，支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力．     

稀疏贝叶斯及其在时间序列预测中的应用

阐述了稀疏贝叶斯方法在时间序列预测中应用的理论基础,将稀疏贝叶斯方法应用于Logistic方程产生的混沌时间序列和发动机油滑数据的预测,并与支持向量机（SVM）和RBF神经网络时间序列预测进行了比较.实验结果表明,稀疏贝叶斯方法不仅具有SVM的性能,而且比SVM使用更少的核函数,取得了较好的预测效果.     

基于支撑向量机的产品质量监控研究应用

采用了一种新的机器学习方法——支持向量机，对流程企业中的历史数据进行分类分析，阐述了支持向量机的基本内容，对影响产品质量因素的样本集进行了标准化处理和主因素分析(PCA)，采用Libsvm训练了数据集，并与贝叶斯理论、BP神经网络和决策树ID3的分类结果比较，证明了算法的优越性，为产品的质量监控提供了有效依据。     

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。     

基于最小二乘支持向量机的航煤干点软测量应用研究

传统支持向量机是近几年发展起来的一种基于统计学习理论的学习机器,在非线性函数回归估计方面有许多应用。最小二乘支持向量机用等式约束代替传统支持向量机方法中的不等式约束,利用求解一组线性方程得出对象模型,避免了求解二次规划问题。本文采用最小二乘支持向量机解决了航空煤油干点的在线估计问题,结果表明,最小二乘支持向量机学习速度快、精度高,是一种软测量建模的有效方法。在相同样本条件下,比RBF网络具有较好的模型逼近性和泛化性能,比传统支持向量机可节省大量的计算时间。