支持向量机解析.docVIP

摘 要 支持向量机(Support Vector Maclline，SVM)是一种基于统计学习理论(StatiStical LeanliIlg Theo吼SLT)的新数据建模方法。它建立在VC mpnil(一Chen，onenl（is Dhension) 维理论和结构风险最小原理基础上，能较好地解决小样本、非线性、高维数和局部极小点等实际问题，同时能获得较好的泛化能力。SVM在工业领域的应用研究相对来说不多，鉴于化工领域小样本统计的特点，它在化工领域中有较大的应用前景。本文针对支持向量回归机(Support、Ktor Re伊ession，SVR)算法，从算法性能与推广能力两方面对其展开研究，并将其应用于工业双酚A生产过程软测量建模中。 在详细分析SVR算法及其属性的基础上，了解到应用单个核函数的局限性，提出了采用混合核支持向量机来对工业生产进行建模的方法，以提高模型的泛化能力和精度。本文中的混合核函数由一个局部核函数和一个全局核函数线性组合而成，并可以通过参数来调节局部核和全局核对混合核的作用。双酚A软测量建模的仿真研究表明，该混合核支持向量机软测量模型具有较好的泛化能力。 SVM中参数的寻优一般只针对惩罚系数C和核参数仃，而混合核的引入，使SVM又多了一个可调参数所。以往加是取经验值，不能确保该参数为最优。本文提出了基于混沌粒子群(Chaotic P