仪器仪表学报
儀器儀錶學報
의기의표학보
CHINESE JOURNAL OF SCIENTIFIC INSTRUMENT
2010年
9期
2081-2087
,共7页
张淑宁%王福利%何大阔%贾润达
張淑寧%王福利%何大闊%賈潤達
장숙저%왕복리%하대활%가윤체
最小二乘支持向量机%Bootstrap%软测量%多最小二乘支持向量机%湿法冶金%合成过程
最小二乘支持嚮量機%Bootstrap%軟測量%多最小二乘支持嚮量機%濕法冶金%閤成過程
최소이승지지향량궤%Bootstrap%연측량%다최소이승지지향량궤%습법야금%합성과정
提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm, IRLA)的多最小二乘支持向量机(multiple least squares support vector machine, Multi-LSSVM)建模方法,用以解决非线性系统建模问题.该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力.通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度.
提齣瞭一種基于改進的魯棒學習方法(improved robust learning algorithm, IRLA)的多最小二乘支持嚮量機(multiple least squares support vector machine, Multi-LSSVM)建模方法,用以解決非線性繫統建模問題.該方法通過Bootstrap算法複製齣訓練集樣本空間上的多箇樣本子空間,訓練齣多箇成員最小二乘支持嚮量機模型,然後應用改進的魯棒學習方法對成員最小二乘支持嚮量機模型的權重進行優化融閤,從而使多最小二乘支持嚮量機模型具有較高的準確率和汎化能力.通過倣真實驗,驗證瞭方法的有效性;併將其應用于濕法冶金閤成過程草痠鈷粒度軟測量建模問題,穫得瞭比單箇最小二乘支持嚮量機模型方法更高的預測精度.
제출료일충기우개진적로봉학습방법(improved robust learning algorithm, IRLA)적다최소이승지지향량궤(multiple least squares support vector machine, Multi-LSSVM)건모방법,용이해결비선성계통건모문제.해방법통과Bootstrap산법복제출훈련집양본공간상적다개양본자공간,훈련출다개성원최소이승지지향량궤모형,연후응용개진적로봉학습방법대성원최소이승지지향량궤모형적권중진행우화융합,종이사다최소이승지지향량궤모형구유교고적준학솔화범화능력.통과방진실험,험증료방법적유효성;병장기응용우습법야금합성과정초산고립도연측량건모문제,획득료비단개최소이승지지향량궤모형방법경고적예측정도.
