【摘要】：支持向量機(jī)(Support Vector Machines, SVM)是一種能夠有效地解決小規(guī)模樣本學(xué)習(xí)問(wèn)題的機(jī)器學(xué)習(xí)方法,其理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論,近年來(lái)在數(shù)據(jù)挖掘、生物醫(yī)學(xué)、圖像處理、模式識(shí)別和人工智能領(lǐng)域應(yīng)用廣泛。樣本的學(xué)習(xí)是SVM的核心問(wèn)題之一。在實(shí)際的回歸問(wèn)題中,例如：生物反應(yīng)過(guò)程、網(wǎng)絡(luò)數(shù)據(jù)監(jiān)控、金融數(shù)據(jù)分析和時(shí)間序列預(yù)測(cè)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(gè)新的樣本。此時(shí)傳統(tǒng)的批處理學(xué)習(xí)算法將會(huì)由于不具備實(shí)時(shí)性從而導(dǎo)致模型預(yù)測(cè)精度不高而且魯棒性較差的問(wèn)題,而增量式在線學(xué)習(xí)算法為解決上述問(wèn)題提供了一種可行的途徑。臚支持向量回歸機(jī)(Support Vector Regression, SVR)是一種非常有效的回歸學(xué)習(xí)方法,與ε-SVR相比,v-SVR的優(yōu)點(diǎn)是參數(shù)ν能夠控制支持向量的個(gè)數(shù)并能夠自動(dòng)調(diào)節(jié)不敏感損失函數(shù)的參數(shù)ε。然而,v-SVR的對(duì)偶問(wèn)題要比ε-SVR的對(duì)偶問(wèn)題復(fù)雜,因此目前為止還沒(méi)有出現(xiàn)專門(mén)針對(duì)v-SVR的增量式在線學(xué)習(xí)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(jī)學(xué)習(xí)算法(稱為CP算法)基礎(chǔ)上,重點(diǎn)研究了v-SVR的精確增量式在線學(xué)習(xí)算法及其可行性和有限收斂性,并將該算法應(yīng)用于發(fā)酵過(guò)程的軟測(cè)量,取得的研究成果如下：(1)針對(duì)v-SVR對(duì)偶問(wèn)題存在的兩個(gè)難題：一是箱約束不僅與懲罰參數(shù)而且還與訓(xùn)練樣本集合的長(zhǎng)度有關(guān)；二是與ε-SVR的對(duì)偶問(wèn)題相比多出了一個(gè)不等式約束,提出了v-SVR的等價(jià)形式。通過(guò)將v-SVR原始問(wèn)題的目標(biāo)函數(shù)乘訓(xùn)練樣本集合的長(zhǎng)度并用等式約束代替不等式約束,解決了上述兩個(gè)難題,為后續(xù)的研究工作奠定基礎(chǔ)。(2)針對(duì)v-SVR的ν解路徑算法存在的解路徑不可行更新問(wèn)題,提出了一種有效的ν解路徑算法�；趘-SVR的等價(jià)形式及Karush-Kuhn-Tucker(KKT)條件,通過(guò)引入新的變量△g和附加項(xiàng)κΔρ的策略,有效地解決了在絕緣增量調(diào)整過(guò)程中存在的矛盾和異常,并最終經(jīng)過(guò)有限次數(shù)迭代擬合出整個(gè)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(duì)偶問(wèn)題的目標(biāo)函數(shù)中增加的額外線性項(xiàng)而導(dǎo)致無(wú)法產(chǎn)生有效初始解的問(wèn)題,以及直接將CP算法應(yīng)用于v-SVR在線學(xué)習(xí)存在的解路徑不可行更新問(wèn)題,基于v-SVR的等價(jià)形式及KKT條件,設(shè)計(jì)了一種精確增量式在線v-SVR學(xué)習(xí)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(fù)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(zhǔn)測(cè)試集上的仿真結(jié)果進(jìn)一步驗(yàn)證了理論分析的結(jié)論,而且與批處理學(xué)習(xí)算法相比具有更高的計(jì)算效率。(4)針對(duì)發(fā)酵過(guò)程中的一些重要生物狀態(tài)變量難以在線測(cè)量的特征,將精確增量式在線v-SVR學(xué)習(xí)算法應(yīng)用于谷氨酸分批補(bǔ)料發(fā)酵過(guò)程中菌體濃度和產(chǎn)物濃度的軟測(cè)量,實(shí)現(xiàn)了菌體濃度和產(chǎn)物濃度的在線預(yù)估。仿真結(jié)果說(shuō)明算法適合于發(fā)酵過(guò)程關(guān)鍵狀態(tài)的在線預(yù)估。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP18
【圖文】：

第五章 基于精確增量式在線 -SVR 的發(fā)酵過(guò)程軟測(cè)量于發(fā)酵過(guò)程的軟測(cè)量建模研究很多，Petrova 等人[108]基于不(Neural Network, NN)學(xué)習(xí)方法建立了適合啤酒酵母發(fā)酵過(guò)人[109]提出了一種用于谷氨酸生產(chǎn)流加操作過(guò)程預(yù)測(cè)的模糊基于 SVM 學(xué)習(xí)方法建立了青霉素效價(jià)預(yù)估軟測(cè)量模型，該模力；Feng 等人[111]基于加權(quán) SVM 學(xué)習(xí)方法建立了流體催化裂cking Unit, FCCU）的軟測(cè)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(guò)程數(shù)學(xué)模型，可以看出軟測(cè)量建模方，通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)就能夠?qū)崿F(xiàn)對(duì)發(fā)酵過(guò)程中難以測(cè)量因此，本章研究基于精確增量式在線 -SVR 學(xué)習(xí)算法的谷氨問(wèn)題。分批補(bǔ)料發(fā)酵系統(tǒng)批補(bǔ)料發(fā)酵系統(tǒng)如圖 5-3 所示。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王彥如;;一增量式關(guān)聯(lián)規(guī)則的改進(jìn)算法[J];青海師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年03期

2 郭鑫;黃云;劉介丹;周清平;;最小頻繁閉樹(shù)的增量式更新算法[J];計(jì)算機(jī)工程;2010年21期

3 李銘,蔡慶生;一個(gè)高效的關(guān)聯(lián)規(guī)則增量式更新算法[J];計(jì)算機(jī)工程與應(yīng)用;2000年05期

4 石冰,鄭燕峰;一種關(guān)聯(lián)規(guī)則的增量式更新算法[J];計(jì)算機(jī)工程;2000年08期

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

6 楊學(xué)兵;安紅梅;;一種高效的關(guān)聯(lián)規(guī)則增量式更新算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年01期

7 龔貞標(biāo),陶樹(shù)平;一種改進(jìn)的關(guān)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(guān)聯(lián)規(guī)則挖掘中改進(jìn)的增量式更新算法[J];華北水利水電學(xué)院學(xué)報(bào);2008年05期

9 趙勇;何寶福;余巍;孫政委;;基于增量式PID控制實(shí)現(xiàn)高精度跟蹤機(jī)構(gòu)設(shè)計(jì)研究[J];戰(zhàn)術(shù)導(dǎo)彈技術(shù);2009年01期

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

相關(guān)會(huì)議論文 前6條

1 單莘;;一種網(wǎng)絡(luò)告警的增量式情景規(guī)則挖掘方法[A];中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2008年

2 王鑫;袁曉潔;李楠;;Native XML數(shù)據(jù)庫(kù)的增量式驗(yàn)證[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

3 程建軍;陳曉云;馬志新;;程序設(shè)計(jì)語(yǔ)言課程的增量式教學(xué)法改革與實(shí)踐[A];2005全國(guó)計(jì)算機(jī)程序設(shè)計(jì)類課程教學(xué)研討會(huì)論文集[C];2005年

4 陳恩紅;張振亞;王煦法;;基于神經(jīng)網(wǎng)絡(luò)的增量式數(shù)據(jù)索引機(jī)制研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[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(jī)文本分類模型[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

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

相關(guān)重要報(bào)紙文章 前1條

1 中國(guó)社會(huì)科學(xué)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(bào);2012年

相關(guān)博士學(xué)位論文 前4條

1 朱真峰;快速增量式分類算法研究[D];復(fù)旦大學(xué);2010年

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

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

相關(guān)碩士學(xué)位論文 前10條

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

2 張晶;增量式關(guān)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(yīng)用[D];中國(guó)民航大學(xué);2008年

3 陳楠;基于粗集理論的增量式屬性約簡(jiǎn)研究[D];長(zhǎng)春理工大學(xué);2005年

4 張長(zhǎng)城;基于增量式低秩學(xué)習(xí)的視頻目標(biāo)跟蹤[D];大連理工大學(xué);2014年

5 何志剛;多約束增量式布局[D];武漢理工大學(xué);2011年

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

7 孫巖;增量式貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究[D];杭州電子科技大學(xué);2011年

8 郝允允;增量式數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

9 賴桃桃;增量式屬性約簡(jiǎn)更新算法研究[D];廈門(mén)大學(xué);2009年

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

本文編號(hào)：2749240