鲁棒最小二乘支持向量机及其在软测量中的应用

司刚全; 娄勇; 张寅松

您当前的位置：

首页 >

文章列表页 >

鲁棒最小二乘支持向量机及其在软测量中的应用

更新时间：2025-05-08

- 鲁棒最小二乘支持向量机及其在软测量中的应用
- 暂无标题
- 西安交通大学学报 2012年第8期页码：15-21
- 作者机构：
  
  西安交通大学电气工程学院
- 作者简介：
- 基金信息：
  
  中央高校基本科研业务费专项资金资助项目;教育部高等学校博士学科点专项科研基金资助项目(20070698059,20090201110019)
- DOI：
  中图分类号： TP18;TP274
- 网络首发：2012-08-10，
  
  纸质出版：2012
- 稿件说明：
移动端阅览
司刚全, 娄勇, 张寅松. 鲁棒最小二乘支持向量机及其在软测量中的应用[J]. 西安交通大学学报, 2012,(8):15-21.
司刚全, 娄勇, 张寅松. 鲁棒最小二乘支持向量机及其在软测量中的应用[J]. 西安交通大学学报, 2012,(8):15-21. DOI：

DOI：

摘要

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时

稀疏化模型鲁棒性差的问题

提出了一种基于模糊C均值聚类和密度加权的稀疏化方法.首先通过模糊C均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度

依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度

继续从各个子集中增选支持向量

直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明

该方法能够兼顾模型在整体样本集和各工况子集上的性能

在实现模型稀疏化的同时

能够显著改善最小二乘支持向量机模型的鲁棒性.

Abstract

The sparse model for forecasting established by least squares support vector machines(LSSVM)is lacking in robustness

especially

for case of non-ideal data set produced in the industrial field as training date set. A fuzzy C-means clustering and density weighted based sparsity strategy is proposed. The training data set is divided into several subsets by fuzzy C-means clustering; the potential contribution of each sample is calculated and the sample with the greatest potential contribution in its own subset is selected as the support vector; the potential contribution of each sample is updated

more support vectors in the training data set are iteratively selected

until the user-defined performance is achieved. The simulation and applied examples indicate that the proposed strategy enables to achieve a sparse model with the corresponding character in the whole training data set and each subset

and the model robustness is improved significantly.

关键词

Keywords

references

Effects of filling degree and viscosity of slurry on mill load orientation[J].Minerals Engineering,2011(13).

Gavin C. Cawley,Nicola L.C. Talbot.Improved sparse least-squares support vector machines[J].Neurocomputing,2002(1).

J.A.K. Suykens,J. De Brabanter,L. Lukas,J. Vandewalle.Weighted least squares support vector machines: robustness and sparse approximation[J].Neurocomputing,2002(1).

丁要军,蔡皖东.采用两阶段策略模型(KTSVM)的P2P流量识别方法[J].西安交通大学学报,2012(02).

张周锁,侯照文,孙闯,何正嘉.应用粒计算的混合智能故障诊断技术研究[J].西安交通大学学报,2011(01).

李大海,李天石.非均匀采样系统的支持向量回归建模与控制[J].西安交通大学学报,2011(03).

李志雄,严新平.独立分量分析和流形学习在VSC-HVDC系统故障诊断中的应用[J].西安交通大学学报,2011(02).

国强,王常虹,李峥.支持向量聚类联合类型熵识别的雷达信号分选方法[J].西安交通大学学报,2010(08).

司刚全,曹晖,张彦斌,贾立新.一种基于密度加权的最小二乘支持向量机稀疏化算法[J].西安交通大学学报,2009(10).

唐浩,廖与禾,孙峰,谢航.具有模糊隶属度的模糊支持向量机算法[J].西安交通大学学报,2009(07).

穆向阳,张太镒,周亚同.尺度核函数在最小二乘支持向量机信号逼近中的应用[J].西安交通大学学报,2008(12).

唐耀华,高静怀,包乾宗.一种新的选择性支持向量机集成学习算法[J].西安交通大学学报,2008(10).

司文荣,李军浩,杨景刚,黎大健,梁永春,李彦明.局部放电脉冲群的实用快速分类技术及应用[J].西安交通大学学报,2008(08).

张瑞,马逸尘,段现报.面向分类去噪问题的模糊支持向量机新算法[J].西安交通大学学报,2007(12).

吴晓辉,刘炯,梁永春,汪晓明,李彦明.支持向量机在电力变压器故障诊断中的应用[J].西安交通大学学报,2007(06).

苟世宁,杜海峰,栗茂林,庄健.一种改进的模糊人工免疫网络数据分类方法[J].西安交通大学学报,2007(05).

田军委,黄永宣,于亚琳.基于直方图偏差约束的快速模糊C均值图像分割法[J].西安交通大学学报,2007(04).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

离子液体改性燃料的电流体动力学效应研究

超临界水异常区域热力学特性研究

多工况下离心压气机叶轮-机匣一体联合设计优化

不同板叠材料热声热机能量转换过程数值模拟研究

张角凹坑气膜孔对双层壁气膜冷却特性的影响