復(fù)雜工業(yè)過程的建模廣泛采用數(shù)據(jù)驅(qū)動(dòng)的建模方法,但是數(shù)據(jù)的高維、冗余以及噪聲等特征對(duì)模型的影響很大。針對(duì)數(shù)據(jù)冗余嚴(yán)重影響模型的泛化能力這一問題本文展開了深入的研究。本文采用基于信息熵的樣本選擇方法去除冗余數(shù)據(jù)。冗余的大小與數(shù)據(jù)出現(xiàn)的概率有關(guān),冗余度越高,樣本集的信息熵就越小,因此可以認(rèn)為當(dāng)樣本個(gè)數(shù)一定時(shí),熵值最大的樣本集數(shù)據(jù)冗余度較低。本文采用樣本交換的方式選取樣本,結(jié)果表明這種方法可以簡(jiǎn)單有效的去除冗余樣本,獲得冗余度較低的樣本數(shù)據(jù)。為了能夠基于樣本子集（選擇算法得到的樣本數(shù)據(jù)）建立有效的模型,本文選用最小二乘支持向量機(jī)（LS-SVM）的建模方法進(jìn)行建模�；跇颖咀蛹腖S-SVM建模方法將樣本子集數(shù)據(jù)作為支持向量來求解原LS-SVM建模問題。經(jīng)過仿真驗(yàn)證,采用該方法建立的模型具有很好的泛化能力,但其性能受樣本子集的樣本個(gè)數(shù)影響很大。本文采用多次樣本選擇的方法來彌補(bǔ)這種問題帶來的不足,從而得到多個(gè)樣本數(shù)量不同的樣本子集并基于這些樣本子集建立了多個(gè)模型。經(jīng)過分析,這些模型存在著很強(qiáng)的多樣性,最終決定將多個(gè)模型結(jié)合起來建立多模型。本文采取加權(quán)求和的結(jié)構(gòu)將多個(gè)子模型的輸出融合到一起�；谧畲�... 

【文章來源】：東北大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 多模型建模方法研究現(xiàn)狀
    1.3 常用的樣本選擇方法
    1.4 論文研究?jī)?nèi)容及結(jié)構(gòu)安排
第2章 基于信息熵的樣本選擇方法
    2.1 樣本集的信息熵
    2.2 樣本選擇算法
        2.2.1 評(píng)價(jià)標(biāo)準(zhǔn)
        2.2.2 選擇原則
        2.2.3 選擇方法
    2.3 仿真與分析
    2.4 本章小結(jié)
第3章 基于樣本子集的LS-SVM建模
    3.1 最小二乘支持向量機(jī)
    3.2 原始空間中求解LS-SVM問題
        3.2.1 非線性映射關(guān)系計(jì)算
        3.2.2 模型參數(shù)求解
    3.3 仿真與分析
        3.3.1 非線性函數(shù)擬合
        3.3.2 多輸入數(shù)據(jù)建模
    3.4 本章小結(jié)
第4章 基于信息熵的模型融合方法
    4.1 子模型的建立
        4.1.1 多樣性分析
        4.1.2 模型個(gè)數(shù)的確定
    4.2 模型的融合方法
        4.2.1 加權(quán)求和的融合結(jié)構(gòu)
        4.2.2 基于熵的權(quán)值計(jì)算
    4.3 仿真與分析
    4.4 本章小結(jié)
第5章 多模型建模方法的應(yīng)用研究
    5.1 電弧爐煉鋼工藝流程
        5.1.1 熔化期階段
        5.1.2 氧化期階段
        5.1.3 出鋼階段
    5.2 終點(diǎn)溫度的影響因素
    5.3 仿真分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于核模糊聚類的多模型LSSVM回歸建模[J]. 李衛(wèi),楊煜普,王娜.  控制與決策. 2008(05)
[2]基于輔助變量KNN分析的軟測(cè)量建模方法[J]. 李哲,田學(xué)民.  化工學(xué)報(bào). 2008(04)
[3]基于樣本熵的運(yùn)動(dòng)想象分類研究[J]. 周鵬,葛家怡,曹紅寶,張爽,王明時(shí).  信息與控制. 2008(02)
[4]基于在線聚類的多模型軟測(cè)量建模方法[J]. 李修亮,蘇宏業(yè),褚健.  化工學(xué)報(bào). 2007(11)
[5]基于多支持向量機(jī)的諾西肽發(fā)酵中菌體濃度軟測(cè)量[J]. 桑海峰,王福利,何大闊,張大鵬,何建勇.  系統(tǒng)仿真學(xué)報(bào). 2006(07)
[6]RBF多模型神經(jīng)網(wǎng)絡(luò)軟測(cè)量技術(shù)在濕法磷酸生產(chǎn)中的應(yīng)用[J]. 闞曉旭,金曉明.  化工自動(dòng)化及儀表. 2006(01)
[7]復(fù)雜工業(yè)過程數(shù)據(jù)處理綜述[J]. 邵義元.  鄂州大學(xué)學(xué)報(bào). 2005(06)
[8]基于多神經(jīng)網(wǎng)絡(luò)模型的軟測(cè)量方法及應(yīng)用[J]. 常玉清,王小剛,王福利.  東北大學(xué)學(xué)報(bào). 2005(06)
[9]基于多神經(jīng)網(wǎng)絡(luò)模型的酯化反應(yīng)軟測(cè)量[J]. 張宇,李檸,黃道.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2005(02)
[10]基于多神經(jīng)網(wǎng)絡(luò)模型的石腦油干點(diǎn)軟測(cè)量[J]. 張笑天,顏學(xué)峰,錢鋒.  控制工程. 2004(S2)

博士論文
[1]基于最小二乘支持向量機(jī)的鋁電解過程建模與控制研究[D]. 閻綱.中南大學(xué) 2012
[2]基于信息熵的特征選擇算法研究[D]. 劉華文.吉林大學(xué) 2010
[3]LF精煉爐鋼水溫度預(yù)報(bào)方法研究[D]. 田慧欣.東北大學(xué) 2009

碩士論文
[1]基于支持向量機(jī)的電弧爐終點(diǎn)參數(shù)預(yù)報(bào)模型的研究[D]. 毛雪菲.安徽工業(yè)大學(xué) 2010
[2]基于神經(jīng)模糊系統(tǒng)的多模型建模方法及在軟測(cè)量中的應(yīng)用[D]. 姚崇齡.廈門大學(xué) 2007



本文編號(hào)：3133416