基于数据驱动的软测量建模技术应用研究

《基于数据驱动的软测量建模技术应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、江南大学硕士学位论文基于数据驱动的软测量建模技术应用研究姓名：郭景华申请学位级别：硕士专业：检测技术与自动化装置指导教师：杨慧中20090501摘要摘要基于数据驱动的软测量建模面临以下问题：过程变量众多且存在相关性、数据样本较少、数据受噪声污染、过程具有高度非线性及时变性等。本文深入研究了基于支持向量机(SVM)的软测量建模方法，试图解决上述问题。论文的主要内容和研究成果包括：1、由于SVM的性能与核函数的类型、核函数的参数以及惩罚系数C都有密切的关系，它们的不同选择直接关系到SVM模型的推广能力，而目前又无解析方法指导SVM参数选择的问题。本文提出了一种基于粒子群优化(PSO)算法的SVM参

2、数选择方法。该方法将SVM参数集当作粒子群，以最小化k．fold交叉验证误差作为适应目标，利用PSO强劲的全局搜索能力实现了参数优选。实际应用例子表明该方法对模型的推广能力及精度的提高具有很大的作用。2、针对工业过程中的严重非线性问题，本文提出了将SVM与偏最小二乘(PLS)相结合用于软测量建模的方法。该方法兼备PLS和SVM的优点，从而提高了模型的非线性处理能力和精度。将该方法应用于双酚A生产过程中质量指标的软测量建模，仿真结果表明了该算法的可行性和有效性。3、由于SVM拟合数据能力的局限性，单一模型不能很好地提取数据中的信息，针对这个问题，本文提出了一种基于模糊C均值(FCM)的组合SVM

3、建模方法。该FVM-SVM方法通过引入模糊C均值聚类方法，对数据进行分组训练，建立各个子模型，大大节省了建模的训练时间；最后用模糊聚类后产生的隶属度将各个子模型的输出加权求和得到最后的输出结果。仿真结果证明该方法具有良好的实用价值，多模型结合的综合利用还提高了网络的鲁棒性。关键词：软测量技术；数据驱动；支持向量机；参数选择；粒子群优化；偏最小二乘；模糊C均值；隶属度；多模型AbstractData-drivenbasedsoftsensingtechniqueencountersthefollowingproblems：largenumberofhighlycorrelatedvariable

4、s，limiteddatasamples，datasubjecttonoisepollution,highlynonlinearandtime—varyingprocessandSOon．T11ispaperstudiesthesoft—sensormodelingmethodbasedonSupportVectorMachine(SVM)whichisakindofnovelmachinelearningmethods，theoreticallybasedonstatisticlearningtheory,andsolvestheaboveproblemssuccessfully．Mainr

5、esultsandcontributionsofthispaperareasfollows：1．BecausetheperformanceofSVMhasacloserelationshipwiththekemelfunctiontype．kernelfunctionparameters，aswellaspunishmentcoe伍cientC，andtheirdifferentselectioniSdirectlyrelatedtogeneralizationcapacityoftheSVMmodel．SincetherearefewanalyticalmethodstochoosetheS

6、VMparameters，allautomaticparametersselectionstrategybasedonParticleSwarmOptimization(PSO)algorithmisproposed．Inthisnewmethod，eachparticleindicatesagroupofSVMparametersandk。foldcross．validationerrorisusedasthefitnessfunctionofPSO．SimulationsofrealdatashowthattheexcellentlyglobalsearchingabilityofPSOc

7、ontributesthetaskofparametersselectiongreatly．2．Inordertodealwiththehighnonlinearityoftheindustrialprocess．ahybridPartialLeastSquaresandSupportVectorMachines(PLS—SVM)methodisproposed．Thismethodhasmeri