论文部分内容阅读
支持向量机能很好地解决小样本、高维度、非线性等问题,被广泛应用于工业过程建模。对于基于数据驱动的建模方法,样本数据的信息挖掘是建模过程中比较重要的一环,而概率信息能很好地展现样本数据的分布特性。为了建立更加符合样本分布的模型,本文将概率信息融入支持向量机回归建模过程中,具体的研究工作如下: 核函数对支持向量回归机的性能有很大的影响。本文建立了融合概率信息的核函数,将样本数据的概率分布信息融入进核函数的运算中,通过样本数据的均值和方差来构建概率信息核函数,并将该方法应用到定量构效关系模型的建立中。实验结果表明,该方法能够很好地发挥概率信息的作用,得到更加精确的模型,同时由于概率信息的加入,提高了整个模型的泛化能力。 影响支持向量回归机模型的性能的另一个重要因素就是模型的参数。为了能够得到更适宜的参数,本文用最大平均差异来表示概率偏差信息,用均方差来表示拟合偏差信息,通过采用多目标粒子群算法来优化这两个目标值,并将该方法应用到对二甲苯氧化反应过程的建模中。实验表明,通过概率偏差信息和拟合偏差信息的双重约束能够得到更好的参数,并大大提高了整个模型的预测性能。