基于核函数选择的多输出LSSVM磨机负荷软测量

"本文提出了一种基于核函数选择的多输出最小二乘支持向量机(LSSVM)磨机负荷软测量方法，通过引入能量熵的概念来选择合适的核函数，提高了软测量的准确性和SVM的泛化能力。" 本文探讨了在湿式磨机作业中的一个重要问题，即磨机负荷的测量难题。由于磨机负荷对于优化磨矿过程至关重要，但实际操作中难以直接测量，因此研究者提出了一种创新的软测量技术。软测量是一种通过对生产过程中的其他可测量参数进行分析，来估算难以直接获取的关键变量的方法。 该方法的核心是利用最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM），这是一种机器学习算法，特别适用于非线性模式识别和预测。在LSSVM的基础上，文章引入了能量熵的概念，这有助于评估样本分布的复杂性和不确定性。通过考虑样本分布的能量熵，可以更好地理解数据的结构，并据此选择最合适的核函数。核函数在支持向量机中起到关键作用，它们可以将原始数据映射到高维空间，使非线性可分问题变得线性可分。 在方法实施中，首先计算样本分布的能量熵，然后基于此选择最佳的核函数。选择的核函数能够更好地反映数据的内在关系，从而提升LSSVM模型的预测性能。为了验证这种方法的有效性，研究者将其与传统的BP神经网络模型的测量结果进行了对比。仿真实验结果显示，基于样本分布能量熵的LSSVM核函数选择策略显著提升了磨机负荷软测量的准确性和SVM的泛化能力。 这项工作对工业自动化和过程控制领域具有重要意义，特别是在矿物加工和选矿厂中，它为实时监测和控制磨机负荷提供了新的可能，有助于提高生产效率和降低运营成本。同时，该方法的通用性也意味着它可以被应用于其他类似的多输入多输出系统，为解决类似问题提供参考。 关键词: 磨机负荷、核函数、能量熵、最小二乘支持向量机 中图分类号: TP27 (代表了计算机科学与自动化技术) 文献标志码: A (代表了具有较高学术水平的原创性研究论文) 文章编号: 1003－0794（2015）11－0306－04 (期刊的唯一标识符，指明了发表时间和页码)