论文部分内容阅读
支持向量机是机器学习算法中较为成熟的一种，因为其具有小样本建模能力强，泛化性能好，鲁棒性较好等优点，有着很广泛的应用。本课题中主要研究了以下问题：
1)简要介绍了机器学习算法中的结构风险最小化理论，并给出了支持向量机的算法思想。
2)介绍了丙烯腈生产的工艺背景，并运用BP神经网络对其进行软测量，实验证明，BP网络会出现泛化能力较弱的缺点。
3)运用最小二乘支持向量机方法对丙烯腈收率进行了软测量，并结合PCA算法验证了其具有较强的泛化能力和鲁棒性。
4)针对支持向量机中出现的核矩阵，再次展开，探讨了核函数的思想及其它的一些方法。实验证明，在丙烯腈收率背景下，径向基核函数可以取得很好的软测量效果。
5)在最小二乘支持向量机的基础上提出了多输入多输出最小二乘支持向量机算法，并运用到丙烯腈收率软测量中，取得了好的结果。证明了这种方法的可行性。
6)提出本课题研究中所遇到的问题和解决思路。