大數(shù)據(jù)時(shí)代,小樣本問題仍然存在、不可忽視。伴隨信息化技術(shù)的發(fā)展和應(yīng)用,石化行業(yè)累積了海量數(shù)據(jù),然而由于樣本數(shù)據(jù)發(fā)生或重復(fù)的機(jī)率較低、樣本數(shù)據(jù)獲取成本過高等原因,可為研究所利用的樣本數(shù)據(jù)較為有限。由于小樣本數(shù)據(jù)集的樣本不但數(shù)量不充足,而且樣本的分布性亦不均勻、不平衡,因而基于小樣本的訓(xùn)練學(xué)習(xí)泛化性能不佳、預(yù)測建模精度較低、質(zhì)量不佳。如何有效地解決小樣本的訓(xùn)練學(xué)習(xí)問題并得到精確而穩(wěn)健的模型無疑是數(shù)據(jù)驅(qū)動建模中亟待解決的問題。虛擬樣本生成技術(shù)是小樣本問題的有效解決方法,這一方向的研究選題具有重大理論意義和應(yīng)用價(jià)值。小樣本數(shù)據(jù)集的特點(diǎn)是數(shù)據(jù)量不完整和數(shù)據(jù)分布不平衡,在其基礎(chǔ)之上建立精確而可靠的預(yù)測模型主要有兩類解決途徑:基于灰色模型和機(jī)器學(xué)習(xí)算法直接對小樣本數(shù)據(jù)進(jìn)行建模以及借助虛擬樣本對小樣本數(shù)據(jù)進(jìn)行建模。在綜述總結(jié)了文獻(xiàn)研究的基礎(chǔ)之上,本課題提出了一種基于Monte Carlo方法和粒子群優(yōu)化算法的新的虛擬樣本生成方法,以提高基于小樣本數(shù)據(jù)的模型精度。這種方法在原始小樣本數(shù)據(jù)的基礎(chǔ)上,利用Monte Carlo方法和粒子群優(yōu)化算法生成符合原始小樣本分布的虛擬樣本,有效地填充樣本間的信息間隔,... 

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
學(xué)位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 課題來源及研究背景和意義
        1.1.1 課題來源
        1.1.2 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 虛擬樣本生成技術(shù)研究現(xiàn)狀
        1.2.2 人工神經(jīng)網(wǎng)絡(luò)在復(fù)雜石化過程建模中的應(yīng)用
    1.3 本文主要研究工作
    1.4 論文組織結(jié)構(gòu)安排
第二章 經(jīng)典虛擬樣本生成技術(shù)
    2.1 引言
    2.2 自助法
        2.2.1 Bootstrap的基本原理
        2.2.2 基于Bootstrap的虛擬樣本生成
        2.2.3 Bootstrap的優(yōu)勢和不足
    2.3 隨機(jī)模擬方法
        2.3.1 Monte Carlo的基本原理
        2.3.2 基于Monte Carlo的虛擬樣本生成
        2.3.3 Monte Carlo的優(yōu)勢和不足
    2.4 優(yōu)化算法
        2.4.1 PSO的基本原理
        2.4.2 基于PSO的虛擬樣本生成
        2.4.3 PSO的優(yōu)勢和不足
    2.5 本章小結(jié)
第三章 基于Monte Carlo和PSO的虛擬樣本生成技術(shù)
    3.1 引言
    3.2 MC-PSO的基本原理
        3.2.1 利用Monte Carlo方法生成初始搜索點(diǎn)
        3.2.2 利用PSO算法生成虛擬樣本
        3.2.3 構(gòu)建并改進(jìn)ELM預(yù)測模型
    3.3 基于MC-PSO的虛擬樣本生成過程
    3.4 本章小結(jié)
第四章 工業(yè)應(yīng)用實(shí)例研究
    4.1 復(fù)雜化工生成過程分析
    4.2 PTA溶劑系統(tǒng)數(shù)據(jù)集建模應(yīng)用
    4.3 乙烯生產(chǎn)過程數(shù)據(jù)集建模應(yīng)用
    4.4 本章小結(jié)
第五章 結(jié)論與展望
    5.1 結(jié)論
    5.2 未來展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡介
附件


【參考文獻(xiàn)】：
期刊論文
[1]基于Bootstrap-SVM在小樣本條件下光譜定量分析研究（英文）[J]. 馬嘯,趙眾,熊善海.  光譜學(xué)與光譜分析. 2016(05)
[2]一種新穎的小樣本整體趨勢擴(kuò)散技術(shù)[J]. 朱寶,陳忠圣,余樂安.  化工學(xué)報(bào). 2016(03)
[3]基于主成分分析-改進(jìn)的極限學(xué)習(xí)機(jī)方法的精對苯二甲酸醋酸含量軟測量[J]. 賀彥林,王曉,朱群雄.  控制理論與應(yīng)用. 2015(01)
[4]基于數(shù)據(jù)屬性劃分的遞階ELM研究及化工應(yīng)用[J]. 高慧慧,賀彥林,彭荻,朱群雄.  化工學(xué)報(bào). 2013(12)
[5]LS-SVM and Monte Carlo methods based reliability analysis for settlement of soft clayey foundation[J]. Yinghe Wang,Xinyi Zhao,Baotian Wang.  Journal of Rock Mechanics and Geotechnical Engineering. 2013(04)

博士論文
[1]虛擬樣本生成技術(shù)及建模應(yīng)用研究[D]. 朱寶.北京化工大學(xué) 2017
[2]前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)研究及其復(fù)雜化工過程建模應(yīng)用[D]. 賀彥林.北京化工大學(xué) 2016
[3]基于顯式空間分解方法的可靠性設(shè)計(jì)優(yōu)化研究[D]. 林科.華中科技大學(xué) 2012

碩士論文
[1]貝葉斯網(wǎng)絡(luò)分類模型研究及其在小樣本故障診斷中的應(yīng)用[D]. 祝世豐.哈爾濱工業(yè)大學(xué) 2009
[2]小樣本可視化數(shù)據(jù)的智能預(yù)測與后處理[D]. 江瓊.武漢理工大學(xué) 2005



本文編號：3728237