共查询到18条相似文献,搜索用时 62 毫秒
1.
基于支持向量机的软测量技术及其应用 总被引:3,自引:0,他引:3
支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。 相似文献
2.
3.
4.
最小二乘支持向量机在黑液波美度软测量中的应用 总被引:2,自引:1,他引:1
支持向量机是近几年发展起来的机器学习的新方法,它能兼顾模型的通用性和推广性,较好地解决了小样本、非线性、高维数、局部极小点等实际问题。针对造纸工业碱回收蒸发工段黑液浓度不易在线实时测量的现状,本文提出了一种基于最小二乘支持向量机的软测量建模方法,实践结果表明该方法是可行的和有效的,其测量的精度完全能够满足生产的需要。 相似文献
5.
最小二乘支持向量机(least squares support vector machine,LSSVM)为一种遵循结构风险最小化原则的核函数学习机器,其训练仅需求解一个线性方程组,且超参数较标准支持向量机更少.由于其实现简单且预测效果良好,近年来在化学、化工领域的应用日益广泛.本文研究了基于LSSVM的软测量建模过程中的数据预处理和优选超参数等问题,并将其应用于常压塔塔顶汽油干点的软测量建模.计算结果表明,其预测精度能够满足生产实际要求,是一种简单有效的非线性软测量建模工具. 相似文献
6.
基于KPCA和最小二乘支持向量机的软测量建模 总被引:1,自引:2,他引:1
为了解决化工领域数据建模小样本、不适定性、非线性等问题,提出了一种基于核主元分析(KPCA)和最小二乘支持向量机的软测量建模方法,用核主元分析对输入变量进行数据压缩,消除变量之间的相关性,运用PSO算法对核参数进行了寻优,通过交叉验证的方法对支持向量机进行参数选择.将其用于双酚A(BPA)软测量建模的研究结果表明:方法具有学习速度快、泛化能力强等优点,为BPA软测量建模的在线实施提供了方便. 相似文献
7.
8.
基于支持向量机的软测量建模 总被引:1,自引:0,他引:1
周志成 《自动化技术与应用》2005,24(8):9-11
本文主要讨论支持向量机方法在聚酯工业过程软测量建模中的应用,分析各类支持向量机算法、参数及核函数的选择对建模精度的影响。 相似文献
9.
10.
11.
基于支持向量机的蒸煮过程卡伯值软测量 总被引:2,自引:0,他引:2
卡伯值是制浆蒸煮过程表征纸浆质量的一个重要质量指标,卡伯值软测量是实现蒸煮过程质量控制的重要途径。支持向量机是一种新型的机器学习方法。该方法采用了结构风险最小化原则,与传统机器学习方法相比,在最小化学习误差的同时可以保证有较小的泛化误差。将支持向量机应用于制浆蒸煮过程卡伯值的软测量建模,取得了比经验模型更好的预测效果。 相似文献
12.
13.
14.
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. 相似文献
15.
多分类孪生支持向量机研究进展 总被引:3,自引:0,他引:3
孪生支持向量机因其简单的模型、快速的训练速度和优秀的性能而受到广泛关注.该算法最初是为解决二分类问题而提出的,不能直接用于解决现实生活中普遍存在的多分类问题.近来,学者们致力于将二分类孪生支持向量机扩展为多分类方法并提出了多种多分类孪生支持向量机.多分类孪生支持向量机的研究已经取得了一定的进展.本文主要工作是回顾多分类孪生支持向量机的发展,对多分类孪生支持向量机进行合理归类,分析各个类型的多分类孪生支持向量机的理论和几何意义.本文以多分类孪生支持向量机的子分类器组织结构为依据,将多分类孪生支持向量机分为:基于“一对多”策略的多分类孪生支持向量机、基于“一对一”策略的多分类孪生支持向量机、基于“一对一对余”策略的多分类孪生支持向量机、基于二叉树结构的多分类孪生支持向量机和基于“多对一”策略的多分类孪生支持向量机.基于有向无环图的多分类孪生支持向量机训练过程与基于“一对一”策略的多分类孪生支持向量机类似,但是其决策方式有其特殊的优缺点,因此本文将其也独立为一类.本文分析和总结了这六种类型的多分类孪生支持向量机的算法思想、理论基础.此外,还通过实验对比了分类性能.本文工作为各种多分类孪生支持向量机之间建立了联系比较,使得初学者能够快速理解不同多分类孪生支持向量机之间的本质区别,也对实际应用中选取合适的多分类孪生支持向量机起到一定的指导作用. 相似文献
16.
17.
18.
结构化支持向量机(Structural Support Vector Machine,SSVM)是支持向量机(Support Vector Machine,SVM)的变体算法,被广泛应用于多个领域。阐述了SSVM的发展过程,详细分析了SSVM各种具体实现算法的思想及表现上的优劣;并通过实验的对比讨论,发现了SSVM的各种具体实现算法在分类性能和分类效率上优于其他SVM算法,而在稳定性上则逊于后者;基于此,给出了SSVM的后续研究方向。 相似文献