基于支持向量机和粒子群优化算法的软测量建模.pdfVIP

基于支持向量机和粒子群优化算法的软测量建模 知 岩 彭办功 (华东理工大学信息科学与工程学院，上海200237) 摘要：软测量技术是当前过程控制中研究热点之一．重点介绍了基于回归支持向量机僻．SVM)、最小二乘支 持向量机(t．S-SVM)豹支持向量枧软测量建摸方法。以及基于粒子群优化算法及其两种改进算法在软铡量建模中 的应用．从而展示了软测量技术未来的应用前景． 关键词：软测量建模回归支持向量机最,1,--乘支持向量机粒子群优化算法 Abstract：Soft isoneofthehot in on control，Thefocusesoff technology sensing topicsstudypresentprocess paper twomethodsofsoftsensor basedon VectorMachine introducing modeling Support includingRegressionSVM(R-SVM) andLeast also the ofsoftsensor basedOnPanicleSwarm SquareSVM(LS-SVM)．Itpresentsapplication modeling itstwo ofSoft is Optimizationalgorithm(PSO)andimproved algorithm．Furthermore，theprospectsensingtechnology shown． Vector Vector Keywords：Soft·sensingModelingRegressSupport Machine(R·SVM)Least·Square Support PanicleSwarm Machine(LS-SVNOOptimization Algorithm(PSO) 0 引言 机地结合起来，在一定程度上解决了过程工业某些重要质量指标的在线控制问题。其基本思想是 把自动控制理论与生产过程知识有机结合起来，建立软测量的数学模型并应用计算机技术，以实 现辅助变量对主导变量的最佳估计。达到以软件来代替硬件(传感器)目的。经过近30年的发展， 软测量理论的研究从静态模型发展到动态模型，其应用范围也从化工过程扩展到制造业等领域。 目前．软测量建模方法主要有以下几种：基于机理建模、回归分析、状态估计、模式识别、 人工神经网络、模糊数学、支持向量机(SⅧ)和核函数的方法、过程层析成像、相关分析和现代 非线性系统信息处理技术等。另外，粒子群优化及其多种改进型算法、非线性同伦理论、基于非 参数概率的高斯过程、混沌优化算法、递阶T—S模糊模型、多目标遗传规划方法、小波分析理论 等众多技术手段纷纷应用于软测量建模过程中，为深入研究提供了多重理论基础。本文主要介绍 支持向量机(SⅧ)方法和粒子群优化(PSO)算法在软测量建模中的应用。 1 支持向量机(sVM)方法在软测量建模中的应用 1．1基于回归支持向量机的软测量建模 learningtheory)的机器学习算法一支持向 展了一种全新的基于统计学习理论SLT(statistic Vector 量机(Support 了系统的理论研究，能有效解决高维、非线性及有限样本下的模式识别问题，在很大程度上解决 了模型选择与过学习、非线性和维数灾害，局部极值等问题．支持向量机方法是建立在统计学习 理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能 218 力之间寻求最佳折衷，以