化工学报
化工學報
화공학보
JOURNAL OF CHEMICAL INDUSY AND ENGINEERING (CHINA)
2007年
6期
1514-1517
,共4页
最小二乘支持向量机%建模%优选超参数%最速下降法%快速留一法%柠檬酸发酵
最小二乘支持嚮量機%建模%優選超參數%最速下降法%快速留一法%檸檬痠髮酵
최소이승지지향량궤%건모%우선초삼수%최속하강법%쾌속류일법%저몽산발효
基于结构风险最小的最小二乘支持向量机(least squares support vector machine,LSSVM)为标准支持向量机(SVM)的约简,训练简易,性能良好.其模型精度受超参数影响,常规的网络搜索法很难搜得最佳超参数.在快速留一法的基础上,以全样本留一预测误差平方和最小化为目标,导出基于梯度的最优化算法,用以优选为LSSVM超参数.进而构建GLSSVM模型.以柠檬酸发酵过程为算例对GLSSVM进行检验,结果表明G-LSSVM的超参数选取耗时少,模型稳定性良好,且拟合和预报性能都优于标准SVM和神经网络.有望适用于机理不明、高度非线性、小样本的化工过程建模.
基于結構風險最小的最小二乘支持嚮量機(least squares support vector machine,LSSVM)為標準支持嚮量機(SVM)的約簡,訓練簡易,性能良好.其模型精度受超參數影響,常規的網絡搜索法很難搜得最佳超參數.在快速留一法的基礎上,以全樣本留一預測誤差平方和最小化為目標,導齣基于梯度的最優化算法,用以優選為LSSVM超參數.進而構建GLSSVM模型.以檸檬痠髮酵過程為算例對GLSSVM進行檢驗,結果錶明G-LSSVM的超參數選取耗時少,模型穩定性良好,且擬閤和預報性能都優于標準SVM和神經網絡.有望適用于機理不明、高度非線性、小樣本的化工過程建模.
기우결구풍험최소적최소이승지지향량궤(least squares support vector machine,LSSVM)위표준지지향량궤(SVM)적약간,훈련간역,성능량호.기모형정도수초삼수영향,상규적망락수색법흔난수득최가초삼수.재쾌속류일법적기출상,이전양본류일예측오차평방화최소화위목표,도출기우제도적최우화산법,용이우선위LSSVM초삼수.진이구건GLSSVM모형.이저몽산발효과정위산례대GLSSVM진행검험,결과표명G-LSSVM적초삼수선취모시소,모형은정성량호,차의합화예보성능도우우표준SVM화신경망락.유망괄용우궤리불명、고도비선성、소양본적화공과정건모.
