【作者】 陈文杰；

【导师】 王晶；

【作者基本信息】 北京化工大学 ， 控制理论与控制工程， 2005， 硕士

【摘要】 统计学习理论(简称SLT),着重研究在小样本情况下的统计规律及学习方法的性质,为解决样本有限情况下的机器学习问题提供了统一的框架,能够将多数现有方法纳入其中。支持向量机(简称SVM)是一种将统计学理论付诸实现的有效机器学习方法,基于结构风险最小化准则(structure risk minimization即SRM),采用经验风险和置信范围两项同时最小化的风险泛函。它拥有众多的优良特性,如利用核技术避免了解的局部最小、具有解的稀疏性、通过界限的作用达到容量控制或支持向量数目的控制等等。学术界普遍认为它是继神经网络之后的一个新的研究方向。 本文首先从支持向量机的理论研究、算法改进、核函数及其参数选择、扩展支持向量机四个方面,详细讨论了支持向量机的现状和发展方向。然后利用标准支持向量机非线性回归的方法对聚酯工业中一些重要的质量指标进行离线建模,提出采用增量学习和最小二乘修改域值两种不同的方法来建立实时动态模型。此外还针对标准支持向量机的运算速度慢的缺陷,提出以下改进措施:利用主元分析方法减小辅助变量个数;K均值聚类方法缩小训练集规模;利用改进的序列最小优化算法,从而大大地提高了算法的运行速度。最后针对支持向量机参数的选择问题,采用交叉检验方法确定容许误差参数的最合理值;在同样的容许误差和样本数的前提下,分析各种不同的核函数在具体的聚酯粘度软测量问题中的应用效果及合理性,寻找适合本课题工业背景的核函数类型;以RBF核函数为例,采用遗传算法调节核函数参数,更多还原

【Abstract】 Statistical Learning Theory (SLT) is a small-sample statistics which concerns mainly the statistic principles when samples are limited, especially the properties of learning procedure in such cases SLT provides us a new framework for the general learning problem and let the most exist methods to be used. Support Vector Machine is a kind of powerful learning method which put Statistical Learning Theory to use. It is based on structure risk minimization (SRM), use the risk function to minimize experiential risk and trust scope. It has many advantages, such as using kernel function to avoid local minimal point, sparse nature of solutions, limit used to control capacity or the number of support vectors, etc. It is believed that the study of SVM is becoming a new direction after neural network.In the paper support vector machine actuality and development is discussed particularly from such four sides: theory study of support vector machine, algorithm improvement, choosing kernel function and parameters, support vector machine expander. Standard support vector machine is used to model some important quality index of polyester industry offline. Two methods, increment learning and least square changing threshold to set a更多还原