支持向量机在化工领域的应用：以双酚A生产为例

"这篇硕士论文主要探讨了支持向量机（Support Vector Machine, SVM）在回归分析中的应用，特别是支持向量回归机（Support Vector Regression, SVR）。论文作者通过对比传统的SVM模型和采用混合核函数的SVM模型，展示了混合核在提升模型泛化能力和精度上的优势。此外，论文还提出了基于混沌粒子群优化算法（Chaotic Particle Swarm Optimization, CPSO）来寻找混合核SVM的最佳参数组合，进一步提高了模型的预测性能。" 在LDA（线性判别分析）和FCM（模糊C均值聚类）的基础上，作者进行了一项实验，其中将数据集分为训练集和测试集，进行了聚类和特征提取。LDA被用来从两类数据中提取特征，选择特定的参数，如γ=0.45和λ=0.55。之后，使用SVM（支持向量机）构建了两个分类模型，每个类别对应一个模型，其中SVM的参数c设为300，kernel参数设为0.025。通过组合这两个SVM模型，利用隶属度作为权重，得到了一个组合模型。实验结果显示，经过LDA处理的模型在跟踪性能上优于未处理的模型，尤其是在处理突变数据时。 表5-1列出了两种方法（基于FCM聚类和基于LDA+FCM方法）下的泛化误差，误差定义参考了特定的公式。这表明LDA处理对于模型的泛化性能有显著的提升。 论文进一步讨论了SVM在回归问题中的应用，特别是支持向量回归机（SVR），它适用于处理小样本、非线性、高维数据的问题。考虑到化工领域的小样本统计特性，SVR在化工过程的软测量建模中有很大的潜力。论文提出了混合核函数的概念，由局部核函数和全局核函数线性组合而成，通过参数调整来平衡局部和全局信息，以提高模型的精度和泛化能力。通过双酚A生产过程的软测量建模仿真，证明了混合核SVR模型的有效性。 为了优化混合核SVM的参数，论文引入了CPSO算法，以10折交叉验证误差作为目标函数，寻找最优的参数组合（c, γ, η）。这种方法提高了模型的精度，并提升了泛化能力，表明了CPSO在参数优化方面的优势。 这篇论文深入研究了SVM在回归任务中的应用，尤其是通过混合核和混沌粒子群优化来增强模型的性能，为实际工业问题提供了有价值的解决方案。