论文部分内容阅读
在解决实际软测量问题时,由于工业过程的复杂性,往往需要对已有的各种不同的学习方法进行结合,即所谓的混合学习方法,其中混合智能系统的研究受到广泛的重视。随着新型软计算方法的不断提出,混合智能系统研究的内容和范围也得到了不断的扩充。本文所研究的混合智能系统主要是指神经网络、模糊逻辑、支持向量机和进化算法彼此之间的相互融合,具体来讲就是指神经模糊系统、模糊回归支持向量机,并采用粒子群优化算法对其中的参数进行优选。充分利用各种智能算法的优点,这也是混合智能系统的优势所在。本文主要研究成果如下:
1.提出了一种基于T-S模糊模型的自适应建模方法:首先将T-S模糊系统与RBF神经网络相结合,构成T-S型模糊RBF神经网络,应用神经网络的学习方法解决T-S模糊模型的辨识问题;然后提出了一种改进的模型辨识算法;最后根据新采集的样本数据应用改进的带有遗忘因子的加权回归最小二乘法(WRLS)对模型后件部分的参数进行在线校正,使模型参数能够在线调整以便更好地跟踪实际工业过程的动态特性。
2.针对全局建模方法难以精确描述复杂工业过程的问题,在回归支持向量机研究的基础上,将其融入多模型建模方法,提出了一种基于FCM聚类算法的模糊回归支持向量机建模方法。并针对模糊回归支持向量机参数难以选择的特点,给出了一种基于粒子群优化算法的参数优选方法。仿真结果表明所提算法跟踪性能好、泛化能力强,比标准的回归支持向量机具有更好的性能。
3.针对大样本情况下,回归支持向量机训练速度慢的特点,在基于两个阈值参数的回归支持向量机序贯最小优化(SMO)算法的基础上提出了一种改进的SMO算法。该算法最大的特点就是在对非边界样本点进行优化时,在可以产生改变的前提下,每次所选择的第一个待优化变量总是尽量对目标函数影响最大的,直至满足优化条件,这将有效提高回归支持向量机的收敛速度。
4.针对大样本情况下,模糊回归支持向量机训练速度慢的特点,将回归支持向量机的改进SMO算法推广到模糊回归支持向量机中,提出了模糊回归支持向量机的SMO算法。其中,模糊回归支持向量机的SMO算法与回归支持向量机的SMO算法最大的不同点在于待优化的两个Lagrange乘子所受的约束条件不同,因此导致Lagrange乘子的递推方式不同,论文给出了详细的算法推导过程。仿真结果表明了所提SMO算法的有效性,不仅可以提高模糊回归支持向量机的收敛速度,而且在大多数情况下可以得到较好的泛化效果。
5.在标准回归支持向量机增量与减量算法研究的基础上,针对模糊回归支持向量机,推导了相应的增量与减量算法;在此基础上,提出了一种基于时间窗的模糊回归支持向量机在线建模方法:首先采用训练样本集离线得到系统的模糊回归支持向量机模型;然后随着系统的运行,当一个新的样本数据加入时,先用增量算法调整模型参数,再用减量算法将最早的一个训练样本滚动出去,保持训练样本集的大小不变。当一个新的样本数据加入后,在线模糊回归支持向量机不需要从头开始训练,这使得参数调整效率得到提高。