基于支持向量机的甲醛浓度软测量

《基于支持向量机的甲醛浓度软测量》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、大连理工大学硕士学位论文基于支持向量机的甲醛浓度软测量姓名：张文良申请学位级别：硕士专业：系统工程指导教师：邵诚20081201大连理T火学硕十学位论文摘要在实际工业生产过程中，存在许多无法在线测量的重要过程变量，例如甲醛生产过程中最终产物甲醛浓度的测量，生物发酵过程中1，3．丙二醇的浓度的测量等。为了解决此类问题，软测量技术应运而生。软测量是通过对可测变量的检测、变换和计算，间接得到待测变量的估计值。具有单个隐层以上的前馈网络可以任意精度逼近非线性函数，因此有许多学者应用神经网络来进行软测量。但是神经网络技

2、术存在一些缺陷，首先是网络结构难以确定，其次是神经网络容易陷入局部最小点。由Vapnik提出的支持向量机是一种基于结构风险最小化的学习技术，它具有更严格的理论和数学基础，不存在局部最小点问题，不过分依赖样本的质量和数量等优点，因此适于对复杂工业过程变量的软测量。甲醛用途十分广泛，涉及合成树脂、塑料、橡胶、造纸、制药和防腐等领域。目前，甲醛生产过程中甲醛浓度是采用人工滴定的方式测得的，这就不可避免人与甲醛的直接接触。因为甲醛有剧毒，会对人体造成很大的伤害。针对这一重要问题，本文建立了基于支持向量机的甲醛浓度软测

3、量模型，并针对支持向量机在实际应用中的关键技术，提出了一种基于二次规划的参数选取方法，通过仿真实验证实了该方法的有效性。论文首先阐述了软测量的工程背景、软测量技术及工程实现方法，阐述了软测量的建模方法和发展状况。其次，论文在对统计学习理论和支持向量机相关理论介绍的基础上，针对甲醛浓度的软测量问题，利用支持向量机v-SVR技术建立了甲醛浓度的软测量模型。第三，为确定模型中的待定参数，并保证软测量的精度，本文利用二次规划技术提出了一种新的参数选取方法，对交叉验证法和网格法选取参数进行了改进，论文中给出了详细的参数

4、选取算法流程图，且简单易于实现。最后，本文给出了甲醛浓度软测量的具体实现步骤，利用仿真实验验证了基于支持向量机的软测量模型比以往常用建模方法如RBF神经网络建立的模型具有更好的推广能力，同时也验证了本文提出的参数选取方法比以往常用的参数选取方法更具有效性。关键词：甲醛；软测量；支持向量机；核函数人连理I：人学硕十学位论文TheSoft—SensingofFormaldehydeConcentrationBasedonSVMAbstract111therealproduceprogressofindustry,

5、therearelotsofprogressparametersthatcan’tbemeasureonline．Forexample，intheproduceprogressofformaldehyde，asthelastedproduction，theconcentrationmeasurementoftheformaldehyde，intheprogressofbiologyferment，theconcentrationmeasurementof1，3-propanediolandSOon．Inord

6、ertosolvethesekindsofproblem，thesoft—sensingtechnologyisusedwidely．Soft—sensingusuallygetsthetargetparameterindirectlybydetect，transformandcalculationthefathomableparameter．Thebackpromulgatenetworkwithatlestsinglehidelayercanapproachthenonlinearfunctionatan

7、yprecision，SOtherearemanyofscholarsuseArtificialNerveNetworktosoft—sensing．ButtheANNtechnologyhassomedefections，firstofall，thestructureofthenetworkishardtOfix；secondly，ANNeasytogetsinlocaloptimizationpoint．SupportVectorMachineiSalearningtechnologybasedonstr

8、uctureriskminimizationwhichpromotedbyVapnik，itsholdsthestricttheoryandmathematicsbasementwhichdoesn’texistslocaloptimization．anddoesn’trelyonthequalityandthenumberoftrainingdataexcessively，SOitfittothe