【摘要】：支持向量機(Support Vector Machines, SVM)是一種能夠有效地解決小規(guī)模樣本學習問題的機器學習方法,其理論基礎是統(tǒng)計學習理論,近年來在數(shù)據(jù)挖掘、生物醫(yī)學、圖像處理、模式識別和人工智能領域應用廣泛。樣本的學習是SVM的核心問題之一。在實際的回歸問題中,例如：生物反應過程、網(wǎng)絡數(shù)據(jù)監(jiān)控、金融數(shù)據(jù)分析和時間序列預測等,樣本是在線環(huán)境下增量提供的,最為極端的情況是每次只增加一個新的樣本。此時傳統(tǒng)的批處理學習算法將會由于不具備實時性從而導致模型預測精度不高而且魯棒性較差的問題,而增量式在線學習算法為解決上述問題提供了一種可行的途徑。臚支持向量回歸機(Support Vector Regression, SVR)是一種非常有效的回歸學習方法,與ε-SVR相比,v-SVR的優(yōu)點是參數(shù)ν能夠控制支持向量的個數(shù)并能夠自動調(diào)節(jié)不敏感損失函數(shù)的參數(shù)ε。然而,v-SVR的對偶問題要比ε-SVR的對偶問題復雜,因此目前為止還沒有出現(xiàn)專門針對v-SVR的增量式在線學習算法的研究。本文在Cauwenberghs和Poggio提出的精確增量式在線C-支持向量分類機學習算法(稱為CP算法)基礎上,重點研究了v-SVR的精確增量式在線學習算法及其可行性和有限收斂性,并將該算法應用于發(fā)酵過程的軟測量,取得的研究成果如下：(1)針對v-SVR對偶問題存在的兩個難題：一是箱約束不僅與懲罰參數(shù)而且還與訓練樣本集合的長度有關；二是與ε-SVR的對偶問題相比多出了一個不等式約束,提出了v-SVR的等價形式。通過將v-SVR原始問題的目標函數(shù)乘訓練樣本集合的長度并用等式約束代替不等式約束,解決了上述兩個難題,為后續(xù)的研究工作奠定基礎。(2)針對v-SVR的ν解路徑算法存在的解路徑不可行更新問題,提出了一種有效的ν解路徑算法。基于v-SVR的等價形式及Karush-Kuhn-Tucker(KKT)條件,通過引入新的變量△g和附加項κΔρ的策略,有效地解決了在絕緣增量調(diào)整過程中存在的矛盾和異常,并最終經(jīng)過有限次數(shù)迭代擬合出整個ν解路徑。理論分析和仿真結(jié)果表明,該算法是可行且有效的。(3)為了解決v-SVR對偶問題的目標函數(shù)中增加的額外線性項而導致無法產(chǎn)生有效初始解的問題,以及直接將CP算法應用于v-SVR在線學習存在的解路徑不可行更新問題,基于v-SVR的等價形式及KKT條件,設計了一種精確增量式在線v-SVR學習算法。該算法包含三步：第一步是提前調(diào)整；第二步是寬松的絕緣增量調(diào)整；第三步是精確的恢復調(diào)整。理論分析證明了算法的可行性和有限收斂性。在基準測試集上的仿真結(jié)果進一步驗證了理論分析的結(jié)論,而且與批處理學習算法相比具有更高的計算效率。(4)針對發(fā)酵過程中的一些重要生物狀態(tài)變量難以在線測量的特征,將精確增量式在線v-SVR學習算法應用于谷氨酸分批補料發(fā)酵過程中菌體濃度和產(chǎn)物濃度的軟測量,實現(xiàn)了菌體濃度和產(chǎn)物濃度的在線預估。仿真結(jié)果說明算法適合于發(fā)酵過程關鍵狀態(tài)的在線預估。
【學位授予單位】：江南大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP18
【圖文】：

第五章 基于精確增量式在線 -SVR 的發(fā)酵過程軟測量于發(fā)酵過程的軟測量建模研究很多，Petrova 等人[108]基于不(Neural Network, NN)學習方法建立了適合啤酒酵母發(fā)酵過人[109]提出了一種用于谷氨酸生產(chǎn)流加操作過程預測的模糊基于 SVM 學習方法建立了青霉素效價預估軟測量模型，該模力；Feng 等人[111]基于加權 SVM 學習方法建立了流體催化裂cking Unit, FCCU）的軟測量模型，建模效果優(yōu)于傳統(tǒng)建模方和分析上述三種發(fā)酵過程數(shù)學模型，可以看出軟測量建模方，通過對歷史數(shù)據(jù)的學習就能夠?qū)崿F(xiàn)對發(fā)酵過程中難以測量因此，本章研究基于精確增量式在線 -SVR 學習算法的谷氨問題。分批補料發(fā)酵系統(tǒng)批補料發(fā)酵系統(tǒng)如圖 5-3 所示。

【相似文獻】

相關期刊論文 前10條

1 王彥如;;一增量式關聯(lián)規(guī)則的改進算法[J];青海師范大學學報(自然科學版);2009年03期

2 郭鑫;黃云;劉介丹;周清平;;最小頻繁閉樹的增量式更新算法[J];計算機工程;2010年21期

3 李銘,蔡慶生;一個高效的關聯(lián)規(guī)則增量式更新算法[J];計算機工程與應用;2000年05期

4 石冰,鄭燕峰;一種關聯(lián)規(guī)則的增量式更新算法[J];計算機工程;2000年08期

5 林松,馬亨冰;改進的關聯(lián)規(guī)則增量式更新算法[J];福建電腦;2005年11期

6 楊學兵;安紅梅;;一種高效的關聯(lián)規(guī)則增量式更新算法[J];計算機技術與發(fā)展;2007年01期

7 龔貞標,陶樹平;一種改進的關聯(lián)規(guī)則增量式更新算法[J];福建電腦;2005年07期

8 侯兵;程偉麗;李霞;;關聯(lián)規(guī)則挖掘中改進的增量式更新算法[J];華北水利水電學院學報;2008年05期

9 趙勇;何寶福;余巍;孫政委;;基于增量式PID控制實現(xiàn)高精度跟蹤機構(gòu)設計研究[J];戰(zhàn)術導彈技術;2009年01期

10 涂明;張公讓;程業(yè)媛;;一種高效的關聯(lián)規(guī)則增量式更新算法[J];微電子學與計算機;2010年09期

相關會議論文 前6條

1 單莘;;一種網(wǎng)絡告警的增量式情景規(guī)則挖掘方法[A];中國通信學會第五屆學術年會論文集[C];2008年

2 王鑫;袁曉潔;李楠;;Native XML數(shù)據(jù)庫的增量式驗證[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2006年

3 程建軍;陳曉云;馬志新;;程序設計語言課程的增量式教學法改革與實踐[A];2005全國計算機程序設計類課程教學研討會論文集[C];2005年

4 陳恩紅;張振亞;王煦法;;基于神經(jīng)網(wǎng)絡的增量式數(shù)據(jù)索引機制研究[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

5 欒江;唐常杰;黃曉冬;陰小雄;廖勇;;一種增量式支持向量機文本分類模型[A];第二十屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2003年

6 董云云;王中華;馮志全;程金;;吊車-雙擺系統(tǒng)的增量式滑�？刂芠A];第二十七屆中國控制會議論文集[C];2008年

相關重要報紙文章 前1條

1 中國社會科學院金融研究所研究員 易憲容;地方增量式金融改革亟待有序規(guī)范[N];上海證券報;2012年

相關博士學位論文 前4條

1 朱真峰;快速增量式分類算法研究[D];復旦大學;2010年

2 顧斌杰;精確增量式在線v-支持向量回歸機的研究[D];江南大學;2015年

3 王毅;注塑模改模知識的增量式發(fā)現(xiàn)研究[D];廣東工業(yè)大學;2014年

4 陳春雷;面向GPGPU的并行增量式聚類算法研究[D];西北工業(yè)大學;2014年

相關碩士學位論文 前10條

1 倪國元;基于模糊聚類的增量式挖掘算法研究[D];華中科技大學;2004年

2 張晶;增量式關聯(lián)規(guī)則挖掘算法研究及其在飛行品質(zhì)監(jiān)控中的應用[D];中國民航大學;2008年

3 陳楠;基于粗集理論的增量式屬性約簡研究[D];長春理工大學;2005年

4 張長城;基于增量式低秩學習的視頻目標跟蹤[D];大連理工大學;2014年

5 何志剛;多約束增量式布局[D];武漢理工大學;2011年

6 陳飛龍;基于偏序關系的快速增量式概念格構(gòu)建算法[D];西安電子科技大學;2011年

7 孫巖;增量式貝葉斯網(wǎng)絡結(jié)構(gòu)學習研究[D];杭州電子科技大學;2011年

8 郝允允;增量式數(shù)據(jù)競爭檢測[D];中國科學技術大學;2009年

9 賴桃桃;增量式屬性約簡更新算法研究[D];廈門大學;2009年

10 周永鋒;基于密度的海量數(shù)據(jù)增量式挖掘技術研究[D];中國人民解放軍國防科學技術大學;2002年

本文編號：2749240