基于粒子群优化算法的支持向量机参数选择及其应用

参数选择是支持向量机(SVM)研究领域的重要问题,它的本质是一个优化搜索过程,考虑到进化算法在求解优化问题上的有效性,提出了以最小化k-fold交叉验证误差为目标．粒子群优化(PSO)算法为寻优技巧的SVM参数调整方法．通过仿真例子验证该方法的有效性后,用其建立了聚丙烯腈生产过程中数均分子量的软测量模型,结果表明该方法有效．

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .

基于正交法的神经网络结构研究和应用

总结了正交法的应用研究,提出用正交化方法来确定前馈神经网络的结构,包括隐层数、节点数以及网络训练步数。并将谈网络用于描述聚丙烯腈生产过程软洲量混合模型的中间参数k1,k2,k3,P与现场操作条件的非线性关系,从而实现质量指标的在线估计。仿真结果证明了该方法的有效性。

一种基于信息几何的支持向量回归模型选择新标准

针对现有模型选择标准无法对支持向量回归(SVR)模型选择过程给出明确几何意义的弱点,提出了一种基于信息几何理论的模型选择新标准.它将模型空间看成是一个流形,将模型复杂度等价于其所能覆盖的概率分布个数,模型拟合度则视为样本的真实分布与模型分布之间的分散度,由此直观地解释了SVR的求解过程,并明确了模型选择的几何意义.