基于全局代表指标的LSSVM最优稀疏化算法

缺少稀疏性是最小二乘支持向量机(least square support vector machine,LSSVM)的主要问题之一,本文针对此问题提出一种LSSVM的最优稀疏化算法.首先,定义了特征空间中样本的密度、离散度并进一步导出样本的全局代表指标(global representative indicator,GRI).然后,以样本剪切率和邻域大小为优化变量,以校验样本集的均方根误差(root-mean-square error,RMSE)为目标函数将LSSVM的稀疏化问题转换为带约束的最优化问题;其中,样本剪切以GRI为指标进行.针对优化问题提出了基于PSO的求解方法.最后,以二维sinc函数模型为对象探讨了GRI指标与样本支持值的关系,验证了本文最优稀疏化算法的正确性和合理性,并呈现了3种稀疏化方法的对比研究结果.

基于LS-SVM稀疏化算法的飞灰含碳量软测量方法

[目的]为了解决经典迭代剪切稀疏化算法在飞灰含碳量软测量模型应用中计算量过大问题,提出了一种基于样本分布特征的LS-SVM稀疏化算法。[方法]算法在计算样本特征空间距离基础上,融合密度和离散度构建全局代表性指标,并按此指标对原始样本集进行排序和剪切,完成稀疏化。为验证算法性能将提出的算法应用到某1000 MW火电机组飞灰含碳量软测量模型,训练样本集取自机组现场试验数据。[结果]结果表明:本算法能在适当牺牲误差性能的情况下大大消减样本容量,显著降低飞灰含碳量LS-SVM软测量模型训练及在线预测计算量。[结论]所提LS-SVM稀疏化算法在保证误差值降低0.01%的情况下,将样本空间从90个缩小到30个,既减小了计算规模,又保证了计算精度。所提算法可在PLC等计算性能受限的工业控制器中实现飞灰含碳量在线软测量功能,并可推广至发电厂其他参数软测量系统。