支持向量机算法参数选择及其在电站锅炉系统中的应用研究.pdf

摘要 作为一种新的机器学习方法，支持向量机算法建立在严谨的统计学基础 上，在模式识别和函数回归方面都有不俗的表现。支持向量机算法从上个世 纪90年代初提出到现在短短十多年的时间得到了长足的发展，并继续得到广 大研究者的关注和参与。本文在对统计学习理论和支持向量机算法进行简要 分析和回顾的基础上，针对支持向量算法的参数选择问题进行了研究与探讨。 支持向量算法虽然有统计学习理论作为理论基础，其泛化能力在理论上有界， 但理论上误差的界太过宽松，实际应用过程中算法的性能依赖于算法参数的 选择。在对算法分析研究的基础上，对支持向量机算法在电站锅炉系统中的 应用进行了研究，着重以某电厂300MW机组锅炉再热汽温建模为例进行了分 析与讨论。 本文主要包括以下几方面内容： 1．提出了一种等距支持向量分类器(EDSVC)算法。本文从最优分类超平面的 几何意义入手，分析了最优超平面的几何意义，提出了一种等距支持向量 分类器(EDSVC)算法。EDSVC本质上与支持向量机算法相同，同样具有理论 上的一系列性质。在算法构造过程中，最优超平面的构造是基于一系列局 部最优超平面，综合一系列边界点对来构造全局最优分类超平面。这些边 界点与支持向量算法中的支持向量对应，因此EDSVC也具有SVM的稀疏性。 同时，由于最优超平面是通过一系列局部最优分类超平面来实现的，算法 具有增量学习的内在本质，适合于在线学习机的构造。 2．采用基于格雷码的遗传算法对支持向量机算法的参数选择问题进行了研 究，将遗传算法与支持向量机相结合形成一个GA—SVM算法。在两个性质 不同的多类分类数据集上进行了测试，结果表明该方法能够在更大的参数 空间内进行有效搜索，与传统的网格式穷尽搜索相比更有优势。 3．提出了基于正交设计方法的支持向量机算法参数选择方法。统计实验设计 是工农业以及科学试验中常用的方案设计方法，本文将正交设计的方法与 支持向量机算法相结合，对支持向量机算法参数进行优化选择。将支持向 量机算法的一次训练作为一个数值试验，采用正交设计方法进行试验方案 的设计和试验结果的分析，分析不同参数对算法性能的影响程度，进而得 到最终的支持向量学习机。 4．提出了一种支持向量机算法性能的智能多目标分析方法MOPSO-SVM。作为 分类器或回归器的支持向量算法，其分类精度和回归准确度固然重要，但 作为算法性能的另外一个度量，算法的速度也是实际应用中需要考虑的问 题。本文从多目标规划的角度}}j发，分析了算法参数对算法性能两个方面 的影响情况。旨在寻找算法参数与算法性能之间的内在关系，以及算法性 能的两个往往相瓦矛盾的方面之间的联系，从而为最终找到使得算法综合 性能符合现实需要的参数提供方、弦和依据。采用粒子群优化算法求得支持 向量机算法性能多日标优化问题的Pareto最优解集，在具体应用时根据 其它现场信息从Pareto解集中选择一个晟适合当时具体情况的参数组合 进行训练和学习。 5．在对支持向量算法分析的基础上，采用支持向量同归算法对电站锅炉再热 汽温进行了建模研究。针对四角切圆燃烧的大型燃煤电站锅炉容易产生汽 温偏差的问题，用支持向量回归算法对现场运行数据进行分析，建立基j一 现场数据的模犁，分析各操作变量与蒸汽参数之间的内在关系，以在数据 模型的基础上进行操作参数优化，提高机组运行的安全性、稳定性和经济 性。本文以再热汽温异常问题为例进行了回归建模分析，该方法同样适用 于电站锅炉的其它环节建模与分析，进一步可以结合锅炉各子系统的机理 和经验模型对整个系统进行优化分析。基于这种经验数据模型，可以对电 站锅炉大量的运行数据进行定期分析，根据分析结果适时调整机组运行参 数，使机组运行状态维持在设计参数附近，保证机组运行的安全性和经济 性。对于防止由于事故造成的计划外停机自着重要意义。 关键词统计学习理论(SLT)，支持向量机(SVM)，等距支持向量分类器 (EI)SVC)，参数选择，多目标优化。电站锅炉，再热汽温． Abstract Asanewmachine vector foundedon learningmethod，