基于支持向量机的CSTR系统建模.pdfVIP

科技信息 高校理科研究 基孑支持向量机帕CSTR系统建檩 北京化工大学机 电学院 董清生 张连凯 [摘 要]支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量 机方法在化工过程中的应用。用支持向量机为csTR系统建立模型，分析了模型参数对模型性能的影响，同时，通过两个参数在不 同值之间两两组合比较所得的误差，最终得到误差最小的参数值，从而使模型能够 自动调整参数到最优值。实验结果表明支持向量 机方法是一种高效可行的化工过程建模方法，模型精确，泛化能力强，性能优 良。 [关键词]化工过程 支持向量机 cTRs 0．引言 非线性，使得建模相当困难．现选用 svM辨识csTR的模型． 化工过程的建模是研究化工过程的重要手段，也是进行过程仿真、 一 个连续搅拌的釜式反应器(CsTR)由下式描述： 优化以及控制的基础。常用方法有基于神经网络的建模，由于其理论基 = C(c^)一kp(一 )c 6() 于经验风险最小化原则 ，难免会出现过拟合、陷入局部最小等问题。基 于统计学习理论的支持向量机是一种新型的学习方法 ，它遵照结构风 = k )cA+ (，) 险最小化原则，克服了以往神经元网络等方法的固有特点，大大提高了 模型的泛化能力。用支持向量机为cSTR系统建立模型，实验结果表明 式中，c是反应浓度 ；T是反应温度；T是冷却剂的温度；q是反应 支持向量机方法是一种高效可行的化工过程建模方法，不仅建模方法 物进料流速；c 是进料浓度 ；Tf是进料温度；v是反应体积 ；k。是预指 简便，而且精度高，是一种具有很大实用性的机器学习方法。 数因子 ；E是活化能；△H是反应热；c是热容量。 1．支持 向量机建模方法 3．支持 向量机建模仿真 l995年 c0rtes和V印Iiik发表了文章 “suppnnVectorNetw0rk”，这 3．1建模步骤 是支持向量机出现的标志，目前己成为数学和计算机研究的热点领域。 支持向量机应用的重要方面是其算法的具体实施与应用，下面给 由于支持向量机找到的是全局最优解 ，能克服一些传统机器学习方法 出基于支持向量机的csTR系统建模的具体步骤和框图。 不能克服的缺点，因此，在很多问题上都有着其他统计学习技术难以比 拟的优越性。支持向量机也被广泛地应用于化工过程中，比如：药物设 计、物质溶解度的热力学分析等。连续搅拌釜系统是一个典型的复杂化 工过程，svM用于这一过程建模具有明显的优势。本文主要对 SVM在 csTR系统建模中参数的选择进行一下深入的探讨。 基本思想：通过非线性映射将数据x映射到高维空间，在此空间实 现线性回归，此线性回归对应于低位输入空间的非线性回归。 支持向量机的估计函数为： f(x)=∞中(x)+b (1) 其中：中fx)是非线性映射函数，m 是最小化代价泛函估计。 1 二 1 2 ’ minq=c÷ e(y。一y)+} ll(0ll (2) 二 l=l 厶 其中：e(·)是损失函数，llmll／2是正则化部分 ，c是惩罚系数为正 常数，n样本数。 约束条件 ： s．t．：y。=(I)(P(x)+h+e． i=1．2．…l 由最优化理论中的非线性最优解和拉格朗日泛函鞍点的关系及对 偶理论，得到： ∞= ∑