最小二乘支持向量机在软测量建模中应用.pdfVIP

最小二乘支持向量机在软测量建模中的应用 邸真珍 蒋爱平 邸真珍先生，华东理工大学信息学院研究生；蒋爱平女士，副教授。 关键词：最小二乘支持向量机 软测量 建模 丙烯腈 支持向量机(support vector machine, SVM)应用结构风险最小化理论，从训练 集中选择一组特征子集。使得对特征子集的线性划分等价于对整个数据集的分割。 支持向量机最初应用于模式识别，随后开始在信号处理、函数逼近等领域也得到 了广泛发展。支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所 需学习数据较少等优点。 最小二乘支持向量机是基于支持向量机方法的一种改进算法。它是支持向量 机在二次损失函数下的一种形式，通过构造损失函数将原支持向量机中算法的二 次寻优变为求解线性方程，其求解速度较快，在各个领域中都得到了广泛的应用 和进一步的研究发展。本文阐述我们结合软测量以预测丙烯腈的收率为背景，通 过实验分析，可证明最小二乘支持向量机具有在较少学习样本下建立模型的能力 和较强的泛化能力。 一 最小二乘支持向量机算法 该算法的主要思想为：通过选择适当的非线性映射，将输入向量映射到高维 空间，并在此高维空间内利用结构风险最小化准则构造最优决策函数。利用满足 mercer 条件的核函数来代替高维空间中的点积运算是其算法的核心。 1.