多输出支持向量机及其应用研究

论文摘要

支持向量机是建立于统计学习理论基础上的一种新的通用学习方法,近年来得到了迅猛发展和广泛应用。传统的支持向量机回归算法(Support Vector Regression:SVR)只适用于单输出系统,在处理复杂多输出系统时常采用构造一系列单变量SVR的方法,不仅训练速度慢而且精度较差,所以如何构建既具有快的训练速度又能保证精度的多输出SVR算法并将其应用到实际系统的建模与控制中,具有十分重要的理论研究和应用价值。为提高多输出SVR算法的训练速度,本文首先从解的稀疏性出发,构造了多变量稀疏SVR算法。接着提出一种基于启发式训练算法的多输出SVR算法,通过引入相似度的概念,去除相似度值大于给定相似度阈值的训练样本点,以达到缩减训练样本的目的,从而提高训练速度。针对数学函数模型的仿真实例表明,两种不同的多变量SVR方法不仅能够保证模型精度,而且相比于常规多输出SVR算法训练速度大大提高。最后,将上述方法应用到实际过程：甲基丙烯酸甲酯的间歇聚合反应。建立聚合反应多变量输出模型,并基于此模型进行优化计算,得到最佳温度控制曲线,使得转化率和数均分子量符合要求。通过三种方法的仿真建模比较发现,启发式多输出SVR建立的模型精度较好,而且所用训练时间比前两种方法少得多,更适合实际过程应用。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 支持向量机产生的背景
• 1.1.1 机器学习的起源
• 1.1.2 机器学习的发展史
• 1.1.3 支持向量机的提出
• 1.2 支持向量机回归算法的研究现状
• 1.2.1 支持向量机的理论研究
• 1.2.2 支持向量机的应用研究
• 1.3 课题研究的目的及意义
• 1.4 论文的主要内容
• 第二章 多输出支持向量机回归算法的原理
• 2.1 统计学习理论
• 2.2 支持向量机回归原理
• 2.2.1 多输出支持向量机回归原理
• 2.2.2 多输出最小二乘支持向量机回归原理
• 2.3 核函数
• 2.4 本章小结
• 第三章 多输出稀疏支持向量机回归算法
• 3.1 稀疏支持向量机回归算法的构造
• 3.2 基向量的选择
• 3.3 数值仿真
• 3.4 本章小结
• 第四章 面向多输出系统的启发式支持向量机回归算法
• 4.1 启发式训练算法
• 4.1.1 相似度阈值S
• 4.1.2 启发式支持向量机回归算法
• 4.2 数值仿真
• 4.3 本章小结
• 第五章 甲基丙烯酸甲酯聚合过程的建模与优化控制
• 5.1 甲基丙烯酸甲酯聚合反应过程与其机理模型
• 5.2 对象机理模型的仿真
• 5.3 多输出支持向量机在MMA聚合过程建模中的应用比较
• 5.4 模型的优化控制
• 5.5 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者和导师简介
• 硕士研究生学位论文答辩委员会决议书