支持向量机算法参数选择及在电站锅炉系统中的应用的研究.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