基于稀疏最小二乘支持向量机的软测量建模.pdfVIP

$ u 化 工 学 报 、b1．66N0．4 第 66卷 第 4期 2015年 4月 CIESC Journal April2015 一研一 究简x字艮 一x R 基于稀疏最小二乘支持向量机的软测量建模 刘瑞兰 ，徐艳 ，戎舟 (。南京邮电大学 自动化学院，江苏 南京 210003； 河南省轻工业学校，河南 郑州 450006) 摘要：针对传统最小二乘支持向量机非稀疏化解问题，提出了基于遗传算法的最小二乘支持向量机稀疏化及参数 优化方法，稀疏化的基本思想是给训练样本赋予一个概率值，将概率值小于 0．5的样本作为测试样本，从而将总 的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。 种群个体的前Ⅳ维表示每个样本对应的概率，后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数 进行整体优化，取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方 法用于PX氧化过程4．CBA含量的软测量中，工业数据仿真结果表明，用本文提出的方法稀疏化率达到87％，核 参数选取 自动完成，与稀疏前建立的模型相 比推广能力更高。 关键词：遗传算法；参数识别；整体优化；软测量；最小二乘支持向量机；4-CBA含量 DOI：10．11949~．issn．0438—1157 中图分类号：TP274 文献标志码：A 文章编号：O438—1157(2015)04—1402—05 M odelingsoftsensorbasedonsparseleastsquaresupportvectormachine LIU Ruilan ，XUYan ，RONG Zhou (SchoolofAutomation，NamingUniversityofPostTelecommunication，Nanjing210003，Jiangsu，China； 2LightIndustrySchoolofHenanProvince，Zhengzhou450006，Henan，China) Abstract：Thetraditionalleastsquaressupportvectormachine(LSSVM)isgenerallyusedtosolvenon—sparse problems．A sparseandparameteroptimizationmethodofLSSVM basedongeneticalgorithm wasproposed．The basicideaofsparsewastogiveaprobabilityvaluetoeachtrainingsample，andifitsprobabiliyt valuewasless than0．5thenthecorrespondingtrainingsamplewasnotasupportvector．Samplesthatwasnotsupportvectors weretreatedastestsamples．So，thesetoftotaltrainingsampleswasdividedintothesetoftestsamplesandthe setoftrainingsampleremained．A fitnessfunctionincludingsparserate，trainingerrorandtesterrorwasdefined． ThefirstN dimensionsofthepopulationindividualspecifiedcorrespondingprobabilityofeachsample，thenextm dimensionsspecifiedparameterstobe