一、支持向量机在线训练算法及其应用（论文文献综述）
周林寰[1]（2021）在《一类支持向量机在线算法及其应用》文中提出支持向量机（SVM）是一种经典的分类技术,以其高效的性能在各个领域都得到了十分广泛的使用。然而,随着数据规模的不断增大,实时地处理数据的需求越来越迫切,传统支持向量机的算法在计算效率和成本上遇到了瓶颈。为了解决这个问题,本文首先利用外点惩罚函数法将支持向量机的原始最优化问题转换为无约束优化问题,再应用随机邻近梯度法进行求解,从而获得支持向量机的在线算法（SPG-SVM）。根据更新迭代使用的数据量是单个数据还是小批次数据,将SPG-SVM分为SPG-SVM（单点）与SPG-SVM（批量）。然后基于Passive-Aggressive（PA）算法的思想,结合外点惩罚函数法将其优化问题转换为无约束优化问题,再应用随机邻近梯度法进行求解,从而获得在线算法（SPG-PA）。最后针对某省某运营商营销产品外呼购买情况数据集,将传统支持向量机SVM、SPG-SVM（单点）、SPG-SVM（批量）、PA和SPG-PA算法进行比较。结果表明在线算法相比于传统的离线算法在模型训练的运行时间上有十分明显的优势。同时关于营销产品购买情况的预测,SPG-SVM（单点）和SPG-SVM（批量）体现出了优良的性质。
颜融[2]（2021）在《基于数据驱动的电力系统暂态稳定评估》文中认为随着近年来新能源发电、智能数字电网、特高压输电互联等新兴技术的高速发展,电力系统面临着全网耦合性强、源荷随机性大以及动态复杂性高等挑战,这对电力系统安全稳定运行带来了较大影响。本文借助于以人工智能为代表的数据驱动等使能技术,针对电力系统暂态稳定评估问题展开了深入的研究工作,旨在提高暂态稳定评估模型精度和计算效率。主要研究工作总结如下:首先,本文提出了暂态稳定快速批量评估算法框架,通过构建的级联式卷积神经网络为待评估样本自适应选择仿真时间窗口,在保证评估结论准确的前提下尽早终止时域仿真,以减轻批量评估任务的整体计算负担。该算法从已有稳定性结论的样本中“学习”,并基于所设计的反馈学习机制不断针对模型进行自适应更新,以进一步提升模型针对不同运行方式的泛化能力。此外,本文进一步设计了基于信息熵的优先评估策略,在分析待评估样本所含信息量的基础上,动态调度评估任务队列,以加速模型性能提升。该算法在保证评估结论准确的前提下降低了批量评估计算负担,使得在有限时间内获取足够用于在线评估模型构建的暂态稳定样本成为可能。其次,为了应对配电网络日益广泛接入的分布式电源等新型设备对输电网络稳态及暂态特性之影响,弥补传统负荷模型的不足,实现输配电系统联合分析等目的,本文进一步提出了基于不对称图学习的生成对抗网络模型,该模型可借助少量真实配网数据,在不泄露关键信息的前提下捕获真实配电网络的拓扑和电气特性,进而生成三相不对称配电网络。此外,所提出的方法还可以有效地生成时序负荷数据并合理配置各类电网元件,使得生成的配电网络兼具真实性与实用性。再次,为了满足在线稳定评估实时获取系统故障信息的需求,本文提出了混联输电线路单端故障定位算法,构建了“云端滚动训练,边缘实时推断”的电力系统嵌入式人工智能应用范式。该范式将云端训练或更新的故障定位深度学习模型分布式的部署于数据侧嵌入式人工智能模块中,借助本地电压和电流等高密度流式数据进行故障定位。该框架有效解决了因量测数据高采样率特性而导致的定位时延高等问题,可满足后续在线稳定评估与监测任务的应用需求。本文最后提出了基于数据驱动的暂态稳定边界生成与在线稳定评估算法框架。借助于所构建的暂态稳定指标及其伴随灵敏度,加速了关键暂态稳定样本（重）采样进程,以在稳定边界附近的高信息熵区域加速生成足够的关键暂态样本,为生成稳定边界提供了数据基础。此外,为解决稳定边界构建问题所面临的“维数灾”、“组合爆炸”等挑战,本文提出了关键运行及扰动场景筛选机制,进一步减少了电力系统边界生成任务的搜索空间与计算规模。借助该算法框架,稳定边界可根据系统当前及预测运行点在线自适应更新,进而由此构建出一套暂态稳定在线评估与监测框架。
张相胜[3]（2021）在《微生物代谢产物发酵过程建模研究》文中进行了进一步梳理微生物发酵过程往往要涉及到各种生物代谢反应及物理过程和化学反应,机理反应和内部的动态变化很难掌握。其生长过程涉及各种因素,属于典型的非线性系统,机理建模需要长期经验积累,考虑多种因素并进行简化处理。建立合理的数学模型是实现微生物发酵过程优化的基础,受到检测条件与水平的限制,发酵过程控制的许多重要过程变量数据通常是离线取样获得,无法在线实时检测及时反应发酵信息,具有较大时间延迟。此类复杂过程建模和优化技术亟需开展进一步的软测量研究。本文对于微生物代谢产物发酵过程模型结构已知但参数未知、结构和参数都未知情况,分别从发酵过程的工艺机理模型、机理数据混合模型和数据驱动模型三个方面开展研究,主要研究内容为:（1）研究了微生物代谢产物发酵过程中培养环境指标和建立动力学模型与提高发酵产品产量及收率的关系。首先借助响应面分析方法获得了谷氨酸发酵过程最佳的培养环境指标;其次分析了微生物发酵过程的动力学特性,给出了发酵过程通用的动力学模型,并用构造性方法估计出了丙酮酸动力学模型参数;最后分析了基于丙酮酸动力学模型发酵过程平衡点的存在性和稳定性,并分析了稳定性条件。（2）针对微生物代谢产物发酵过程的非线性时变特点,研究了具有非线性特性的Hammerstein模型参数辨识方法。首先推导了针对Hammerstein模型的辅助模型随机梯度算法;其次,为加快算法的收敛速度,借助关键项分离方法,基于辅助模型和梯度搜索原理设计了多新息随机梯度的模型参数辨识算法;最后,提出了辅助模型多新息随机梯度参数辨识方法,实现了Hammerstein结构的青霉素发酵过程模型参数的辨识。实验结果表明,在发酵过程模型结构和阶次已知情况下,该算法能够利用发酵过程的输入输出数据,估计发酵过程的参数,由所建立的模型实现对发酵产物浓度的估计。（3）针对很多微生物代谢产物发酵过程的模型结构未知,不易建模的情况,研究了一种基于多尺度小波支持向量机的发酵过程软测量方法。提出了一种多尺度小波核函数的支持向量机,提高了建模精度。实验结果表明,基于多尺度小波核函数支持向量机的软测量方法建立的谷氨酸模型,获得了较高的谷氨酸浓度、溶解氧和残糖浓度估计精度。（4）为了减小代谢产物发酵过程采集数据中异常值和噪声对回归模型的影响,提出了一种特征加权孪生支持向量回归机。首先选择K近邻方法为每个样本设置基于密度的权重,采用Wards链式聚类算法提取样本的特征信息,并将两者融合到特征加权孪生支持向量回归机的目标函数中。为提升特征加权孪生支持向量回归机的预测性能,选择二次多项式核函数和径向基核函数构成的混合核函数,并采用自适应粒子群算法优化支持向量机的模型参数。实验结果表明,基于混合核函数的特征加权孪生支持向量回归机,建立的谷氨酸发酵过程模型对谷氨酸浓度和残糖浓度估计精度较高。
郑蓉建[4]（2020）在《谷氨酸发酵过程的软测量建模研究》文中指出生物产业（含发酵食品、发酵化学品、发酵医药品、发酵能源等）是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数（如菌体浓度、基质浓度、产物浓度等）的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量（重要生化参数）之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目（项目编号61273131）“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:（1）针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。（2）针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。（3）针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。（4）针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。（5）谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
单乳霞[5]（2020）在《氧化锌挥发窑混合建模与智能控制研究》文中研究表明挥发窑在很多工业领域占据着重要地位,主要功能是对窑料进行处理加工。反应带温度在1100℃～1300℃之间时,才能保证产品质量和生产连续性。由于挥发窑的作业过程是一个繁琐的热工过程,且其多变量、强耦合、大惯性和非线性的特征,及一直处于旋转状态的窑体,使得部分关键参数不易实时准确获得,建立能准确表征挥发窑生产过程的模型成为了一大难题,这阻碍了挥发窑生产自动化的实现。本文以氧化锌挥发窑为背景,通过对氧化锌挥发窑的结构、生产工艺、内部物理化学反应过程和传热传质机理的研究,建立了基于质量守恒和能量守恒的氧化锌挥发窑机理模型。针对该机理模型中化学反应速率难以准确有效测量的问题,通过对窑内各化学反应的热工状况和热力学的研究,建立了基于阿伦尼乌斯方程的化学反应率模型,并且用有限差分法进行离散化处理和数值求解,仿真结果表明该模型具有良好的稳定性且能表征窑内温度变化情况。针对氧化锌挥发窑中反应率难以准确获取的问题,采用支持向量回归的方法拟合实验数据得到了反应率预测模型,并通过S函数的调用实现了混合模型的设计与仿真,通过与生产数据对比,该混合模型较机理模型能更准确地表征窑的生产情况。针对氧化锌挥发窑难以建立准确的数学模型和实现精确跟踪控制的问题,提出了一种基于极限学习机的氧化锌挥发窑智能预测控制方法。该方法利用极限学习机具有学习速度快、拟合精度高、泛化能力强和全局最优解等优点,辨识生产过程的输入输出数据,建立了氧化锌挥发窑生产过程的预测模型,对挥发窑系统的输出进行预测,在此基础上,用Simulink搭建挥发窑智能预测控制系统模块,调用基于ELM的预测控制子程序和挥发窑混合模型子程序,并用sim函数实现该智能预测控制系统的仿真。仿真结果验证了该智能预测控制方法具有很好的稳定性和鲁棒性。
李培志[6]（2019）在《支持向量机模型的优化及其应用研究》文中进行了进一步梳理近年来随着互联网技术的飞速发展以及社会的不断进步,机器学习这一门人工智能科学在社会生产、科学研究及日常生活中占据着愈发重要的作用。作为机器学习中的经典算法,支持向量机（Support Vector Machine,SVM）基于其在小样本、非线性及高维模式识别中的特有优势而得到了快速的发展。目前国内外学者对支持向量机进行了许多有益的探索和研究,并将其成功应用于包括生物信息学、文本识别和天气预报等领域在内的生产生活各个方面。然而,没有一个模型可以在所有情况下都表现良好,单一的支持向量机仍然存在着局限性,如存在缺失值时效果欠佳、参数确定没有具体的标准以及面对复杂数据时表现不理想等,这些问题会对模型效果带来不利影响。基于这一背景,本文对支持向量机进行改进并提出若干基于支持向量机的优化模型。优化形式可以分为三类:数据结构优化、参数优化以及组合优化。对于数据结构优化,本文使用分解集成策略来选择合适的数据训练支持向量机,以改善支持向量机对复杂数据效果欠佳的问题;对于参数优化模型,本文提出基于最优化算法的模型来处理支持向量机参数选择问题;组合优化模型又可分为方法组合优化和模型组合优化,其中方法组合优化是对包含支持向量机在内的统计方法的结果进行组合,改善单一方法不能在各种情境下都表现最优的状况,而对于模型组合优化,本文尝试将支持向量机与治愈模型相结合,来解决传统治愈模型在非线性条件下估计效果欠佳的问题。为了检验不同优化方法的效果,分别将各优化模型应用于实际数据中进行实验。选择优化的原则与所应用的实际背景有关,即根据具体数据特点来构建相应的优化模型,并分别应用于大气污染治理、文化产业管理、能源经济及生存分析等。对大气污染治理来说,由于污染物时间序列包含了不同周期的子序列,如季节性波动、短期天气变化等,使得数据结构比较复杂,这时就需要使用数据结构优化,首先将不同周期的子序列分离,再分别进行预测。对文化产业管理来说,由于一部电影受到制作成本、电影类型、明星影响力等诸多因素的影响,每个电影都具有各自的独特性,这时就需要考虑使用参数优化方法选择具有更好参数的支持向量机进行建模。在能源经济领域,本文所使用的数据样本量较大,且不同地区的数据特点不同,没有一个单一模型可以在各地区各季节都表现良好,这时就应该考虑使用方法组合优化模型。对于生存分析中的治愈模型来说,其治愈率部分使用Logistic回归。但是随着研究的发展,许多协变量与治愈概率的关系并不符合Logistic函数的形式,而是存在一些其他复杂的关系,因此,考虑使用模型组合优化构建新型治愈模型。全文共分为六个部分,其主要研究内容及结论如下:第一章介绍本文的选题依据、研究意义、研究思路与主要内容以及主要创新与不足。第二章提出优化支持向量机的概念,将讨论支持向量机的原理与特点及目前关于优化支持向量机的研究现状及局限性。第三章分析支持向量机的数据结构优化及应用。给出KZ滤波及改进方法的原理与特点,并介绍与支持向量机相结合的优化模型。在实验中首先分析大气污染治理的研究背景,使用改进KZ滤波分析大连市的污染数据,并挑选中国四座城市的污染数据综合评估优化模型的预测效果。结果显示,分解集成策略可以很好地实现数据结构优化。污染物冬季的长期分量达到峰值,而夏季的长期分量保持相对较低水平,其中季节性分量和短期分量在冬季表现出较大的波动。从方差贡献率结果可以看出,季节性成分对原始序列的贡献最大,其次是短期和长期成分。预测结果表明,数据结构优化模型具有较好的预测效果和拟合精度,并在存在噪声的情况下仍然表现良好。第四章探讨支持向量机的参数优化及应用。首先介绍帝国竞争算法及用该算法优化的支持向量机,接下来使用电影票房数据检验优化模型的效果。在实验中首先选择最适合的训练集大小,其次将优化模型应用于首映周票房预测,并与常用模型进行比较。结果显示,当最优训练集为20,预测模型为所提出的参数优化模型时,预测效果优于其他对比模型,此时预测的MAPE值约为15%。通过列出22部测试电影的票房预测值和真实值,发现大部分情况下预测值都非常接近真实值。模型对比结果也证明了优化模型的有效性。第五章对支持向量机的组合优化及应用进行描述。首先论述组合预测和治愈模型的原理和特点,接下来通过对方法组合优化模型在能源经济中的应用和模型组合优化在生存分析研究中的应用分别论证两个组合优化模型的效果。方法组合优化的结果表明,当训练集为一个月的数据,测试集为一周的数据时,预测性能最好且最稳定。与常用模型的比较表明,支持向量机与ARIMA和BPNN具有同一水平的预测精度。因此,引入三个模型构造方法组合优化模型。预测结果表明,该组合优化模型性能优于组合优化模型中的任何一个单一方法,并优于近些年由学者提出的部分预测模型。模型组合优化的数值模拟结果表明,所提出的半参数模型在估计协变量的未治愈概率方面与现有的治愈模型相比有更好的性能。当潜在的发病率结构不能用Logistic模型近似时,所提出的治愈模型的均方误差和错分类率均小于现有的模型,这表明所提出的优化模型在发病率部分具有更好的校准和判别表现。真实数据结果说明,两个模型估计的潜伏期结果相似,而优化模型估计的未治愈率可以提供比传统模型更多的信息。第六章对各优化方法的适用性进行讨论,对全文进行总结,并对未来研究方向进行展望。本文的主要创新点如下:（1）在数据结构优化方面,传统的KZ滤波由于滑动平均的作用,在每次过滤后都会损失部分首尾数据,而缺失数据对于构建预测模型至关重要。基于此,本文对KZ滤波进行改进,提出两种新型滤波方法,并利用分解集成策略和支持向量机对数据结构进行优化。（2）在参数优化方面,本文首次尝试将百度指数与支持向量机结合起来以构建复合预测模型。由于不同电影的百度指数相差很大,本文还选择参数优化方法对支持向量机中的参数进行优化。（3）在方法组合优化方面,由于不同时间不同地区风速的数据结构差异很大,没有一个模型可以在所有情况下都表现良好,因此本文并没有去研究效果优良的单一模型,而是尝试使用组合预测的方法,对包括支持向量机在内的常用统计预测模型进行比较,选择效果较好的模型构建方法组合优化模型。（4）在模型组合优化方面,本文首次将支持向量机与治愈模型相结合得到一种新型的治愈模型。在该模型中,由于支持向量机在小样本和非线性模式识别中具有独特优势,使得其可以在治愈率部分为非Logistic函数下仍具有较高的识别效果。本文所提出的优化模型同时具有较强的理论与实际意义。在理论上,本文选择数据结构优化、参数优化以及组合优化来克服单一支持向量机的不足,简化训练数据结构,提高模型整体效果。此外,本文提出的优化模型能够从理论上弥补现有模型的不足,具有较强的泛化能力。同时,这些优化模型也具有很重要的实际意义。对比较灵活的机器学习模型来说,根据其结果可以提前研判出所研究事物未来的发展态势;而对传统统计模型来说,根据其结果可以识别出协变量的效应并对具有一组协变量值的个体进行预测,这些结果可以为管理部门和政策制定者提供决策依据。在本文中,将这些优化模型分别应用于风速预测、大气污染预警、电影票房预测和生存分析中,证明其在不同领域的良好效果。本文的不足之处如下:（1）对预测模型来说,由于所选择的数据都是一定范围内的数据,故可能存在抽样偏差。今后可以尝试在更大数据集下进一步测试优化模型的综合性能,并与其他预测模型进行比较。（2）对治愈模型来说,本研究没有对治愈模型的潜伏期部分进行改进。理论上说,支持向量机所具有的特点可以在潜伏期部分对病人的生存函数进行拟合,并可能取得优于比例风险模型或加速失效时间模型的效果。此外,在今后的研究中可以测试新治愈模型在高维数据情况下的性能。
夏爽[7]（2019）在《基于在线学习支持向量机的中国股票市场价格预测研究》文中指出传统的支持向量机算法处理数据的方式是批量式的,重复对所有数据进行分类学习,当面对如今股票市场频繁更新的海量数据时,可能会导致更高的时间空间资源需求。而在线学习的核心思想就是突破传统批量式学习方式,通过不断更新的新数据,对模型展开训练,进行不断地调优,使其快速准确的反映数据变化,提高预测精度。通过阅读文献,我们发现这种支持向量机的批量式分类算法在线化,有在生物、医药、工程等项目上得到部分应用,但还并未在金融市场上广泛传播。所以,本文对在线学习与支持向量机算法的结合展开研究,用于对股票市场进行预测。本文先对相关文献进行了研究,对在线学习的理论和实现方式,对支持向量机应用于金融市场的方法进行了回顾、总结。相比于普通的支持向量机（supportvectormachine,SVM）,最小二乘支持向量机（least squares support vector machine,LSSVM）把不等式约束转化为等式约束,从而降低了拉格朗日乘子alpha的求解复杂性,具有较快的求解效率,但也失去了解的稀疏性,所以,为了解决该问题,本文选择在线学习方法对最小二乘支持向量机进行改进,通过数学推导构建模型。利用构建的新算法模型先与LSSVM就招商银行的过去股价信息进行测试对比,通过训练找到最优的核参数和核函数——径向基核函数,并得到改进的模型预测效果要优于LSSVM的结论,然后按照选出的最优核函数通过在线学习LSSVM算法对大中小盘三种行业共9只股票进行最优参数选择和实证。文章最后对实证结果和全文内容进行了总结:（1）新模型能较好把握股票未来的涨跌趋势;（2）新模型预测效果有一定延迟;（3）预测值的波动较实际值大;（4）不同量级股票之间预测存在差异。同时,对模型未来的应用和扩展提出了一些见解:（1）扩大样本选择的种类和范围;（2）使用不同的特征向量、数据处理、核参数寻优等方法以验证模型适应性;（3）依据新模型构建量化方法和投资策略。
张曼[8]（2019）在《针对瓷砖的图像分类研究》文中进行了进一步梳理现代科学技术的高速发展,传统工业制造中靠人工分类瓷砖的方法已经不能满足现代制造业的要求。随着工业4.0时代的到来,催化传统制造业时代的结束,取而代之的是高新技术的发展。瓷砖分类仪的研究标志着人类将能够避免重复廉价劳动力,加快现代化建设的步伐。与次同时,图像处理应用在生活的方方面面,在军事遥感、生物影像、监控识别等领域也起着不可磨灭的作用。因此,将图像方面的研究应用到瓷砖分类具有重要意义。本文研究了针对提取不同特征对同批次生产的瓷砖分类准确率的影响,从常规瓷砖特征提取方法入手,对特征提取当中的灰度共生矩阵算法进行研究,之后利用小波包分解选择系数能量加权联合向量（DCWC）算法提取特征量应用到瓷砖分类当中。同时对于瓷砖图像的分类,研究了支持向量机分类算法,最终采用超球体支持向量机在线分类算法以提高分类准确率,具体研究如下:首先,针对实际生产中同一生产线生产的同一批次瓷砖的分类问题进行实际分析,对瓷砖图像预处理,运用拉普拉斯微分算子增强纹理的方法、高斯滤波算法与导向滤波算法等对比分析,说明了导向滤波算法对增强瓷砖图像纹理的有效性。其次,图像经过频率域小波变换,根据不同频率部分所代表的纹理信息不同,可以通过构建模型等其他方法,从中找到最具代表意义的特征量。对于瓷砖图像的特征提取部分,主要介绍了GLCM和利用小波包分解特征提取算法。通过实验分析,实验分类的准确性验证了小波包分解产生的系数能够代表一定的信息特征,同时利用系数得到的小波重构域的子图反映了瓷砖图像的纹理空间信息,提出了一种基于小波包分解选择系数加权重构（DCWC）的瓷砖图像特征提取算法,通过该算法提取到的瓷砖图像特征值更加有利于瓷砖图像的分类,实验证明分类准确率比普通方法要高。最后,从支持向量机的概念出发,介绍了最大间隔和如何寻找最优超平面,并把目标函数的求解转换为二次规划问题求最优。之后,还介绍了支持向量机分类算法,有一对一、一对多等分类算法。在实际运用中,针对瓷砖图像的分类选择支持向量机（C-SVM）一对一分类,并采用网格参数寻优,找到最佳惩罚系数c以及最佳核半径g。实验中针对不同数量大小的训练集与测试集进行分类,其结果也说明了数据集的大小对瓷砖分类结果产生的影响。考虑到流水线上瓷砖分类的实时性,提出超球面支持向量机在线学习分类算法,随着流水线生产检测样本的增加,不断扩充训练集,在线训练调整模型。在本论文中,对于此类精细图像的分类,我们需要提取其高层次特征。我们还通过深度学习的方法,引入稀疏自编码器,提出将小波分解的能量系数构成的特征向量输入到稀疏自编码器提取二阶特征,并结合时域的其他特征组合成增广向量输入到超球面支持向量机训练、分类。实验结果表明,利用稀疏自编码器提取小波域系数的二阶特征联合颜色、纹理等向量组合成的增广特征向量实现了有效的特征向量提取,与改进的支持向量机在线分类算法相结合得到的分类准确率比利用卷积神经网络分类的准确率要高,克服了分类过拟合的缺陷。相比于K近邻分类算法,本论文提出的方法避免了每次测试样本时大量的计算、样本不平衡预测偏差比较大的问题。
杨鹏伟[9]（2019）在《分解算法应用和分位数回归》文中研究指明本文在支持向量机模型背景下,研究了各类分解算法及其应用。用基准数据集对最重要的SVMLight算法和SMO算法进行训练,并对不同核函数的实验结果进行比较;同时探讨针对不同的优化问题,如何选取合适的核函数。分位数回归是统计学和机器学习中的重要研究问题。本文在非一致抽样分布下,研究基于高斯核的在线分位数算法。通过引入阈值?到Pinball损失函数产生算法的稀疏性,用H¨older对偶空间刻画抽样分布的非一致性,然后通过误差分解和迭代方法推导算法的收敛速度。这里并以中位数回归为例,探讨如何在算法中选取参数,平衡其稀疏性和收敛阶;同时也指明本文的背景和数学方法适用于一般分位数回归。
宋晓欣[10]（2018）在《两类在线分类算法研究》文中研究说明最小二乘支持向量机和极限学习机是机器学习和数据挖掘等领域取得广泛关注和应用的两种算法。伴随信息化技术的不断发展与进步,流数据处理问题越来越多。在线学习是处理流数据挖掘问题的主流方法,基于在线学习的基本框架开发设计各类经典批处理算法模型的在线版本是处理大数据背景下各类学习任务的有效途径。目前的最小二乘支持向量机在线学习算法只能实现样本点的逐点更新,限制了其应用场景。为了提升最小二乘支持向量机在线学习算法的普适性,我们将原模型拓展为基于样本块的更新方式,提出了增量式最小二乘支持向量在线学习算法。该算法采用高斯块消元法,实现对支持向量集合和最小二乘支持向量机学习模型的动态更新,从而实现了实际应用问题中数据样本以数据块形式进行更新的问题;针对实际问题中存在类不平衡和概念漂移同时发生的情况,基于在线极限学习机算法模型和加权极限学习机算法模型,我们提出了预界在线加权极限学习机算法。通过最大值判定准则将预界策略引入算法,可有效防止重要样本信息的溢出,利用矩阵校正技术和Sherman-Morrison-Woodbury公式可实现模型的高效更新。多组数据集上的分类实验,数值验证了我们所提出算法的有效性和潜在价值,为今后进一步的研究和推广提供了基础。
二、支持向量机在线训练算法及其应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、支持向量机在线训练算法及其应用（论文提纲范文）
（1）一类支持向量机在线算法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 0.1 研究背景 |
| 0.2 研究进展及现状 |
| 0.2.1 在线学习算法研究进展及现状 |
| 0.2.2 支持向量机在线算法研究进展及现状 |
| 0.3 研究意义 |
| 0.4 章节安排 |
| 1 预备知识 |
| 1.1 优化基础知识 |
| 1.1.1 凸二次规划问题 |
| 1.1.2 外点惩罚函数法 |
| 1.1.3 拉格朗日对偶性 |
| 1.2 随机规划基础知识 |
| 1.2.1 邻近梯度法 |
| 1.2.2 随机邻近梯度法 |
| 1.3 支持向量机基础知识 |
| 1.3.1 支持向量机概述 |
| 1.3.2 线性可分支持向量机 |
| 1.3.3 线性支持向量机 |
| 1.3.4 非线性支持向量机 |
| 2 基于随机邻近梯度法的支持向量机在线算法 |
| 2.1 支持向量机优化问题转换 |
| 2.2 将随机邻近梯度法应用于支持向量机优化问题 |
| 3 基于随机邻近梯度法的Passive-Aggressive在线算法 |
| 3.1 Passive-Aggressive算法理论 |
| 3.2 Passive-Aggressive算法优化问题转换 |
| 3.3 将随机邻近梯度法应用于Passive-Aggressive算法优化问题 |
| 4 实证分析 |
| 4.1 数据来源与描述 |
| 4.2 数据处理与分析 |
| 4.2.1 异常值处理 |
| 4.2.2 数据描述性分析 |
| 4.2.3 标准化与哑变量设置 |
| 4.3 模型建立、预测与评估 |
| 4.3.1 模型建立 |
| 4.3.2 SVM模型结果与评估 |
| 4.3.3 SPG-SVM模型结果与评估 |
| 4.3.4 PA模型结果与评估 |
| 4.3.5 SPG-PA模型结果与评估 |
| 4.4 对比分析 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）基于数据驱动的电力系统暂态稳定评估（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本文研究背景 |
| 1.2 电力系统暂态稳定评估及其经典算法 |
| 1.2.1 暂态稳定评估数学模型 |
| 1.2.2 暂态稳定评估经典算法 |
| 1.3 数据驱动技术综述 |
| 1.3.1 算法 |
| 1.3.2 数据 |
| 1.3.3 算力 |
| 1.3.4 框架 |
| 1.4 数据驱动技术在暂态稳定评估中的应用综述 |
| 1.4.1 数据驱动评估模型构建框架 |
| 1.4.2 数据驱动评估模型构建算法 |
| 1.4.3 数据驱动评估模型应用挑战 |
| 1.5 本文研究工作概述 |
| 1.5.1 拟解决的问题与研究思路 |
| 1.5.2 后续章节内容安排 |
| 第二章 基于级联式卷积神经网络的暂态稳定批量评估算法 |
| 2.1 引言 |
| 2.2 暂态稳定批量评估问题阐述 |
| 2.3 基于卷积神经网络的暂态稳定评估 |
| 2.3.1 卷积神经网络 |
| 2.3.2 基于单个卷积神经网络的暂态稳定评估模型 |
| 2.3.3 输入数据仿真及预处理 |
| 2.3.4 稳定性结论及其可信度评估 |
| 2.4 快速暂态稳定批量评估算法框架 |
| 2.4.1 级联式卷积神经网络评估框架 |
| 2.4.2 基于误判场景的模型训练策略 |
| 2.4.3 基于反馈学习的模型更新策略 |
| 2.4.4 性能评价指标 |
| 2.5 数值实验与分析 |
| 2.5.1 算法性能评测:以IEEE-39 节点测试系统为例 |
| 2.5.2 算法可拓展性评测:以Polish-2383 节点系统为例 |
| 2.6 本章小结 |
| 第三章 基于信息熵优先策略的暂态稳定批量评估算法 |
| 3.1 引言 |
| 3.2 基于信息熵优先策略的批量稳定评估算法 |
| 3.2.1 基于信息熵的优先评估策略指标 |
| 3.2.2 基于信息熵优先策略的任务队列与模型更新机制 |
| 3.2.3 基于内存镜像的存储加速技术 |
| 3.2.4 待评估样本批次划分策略 |
| 3.3 基于信息熵优先策略的暂态稳定批量评估应用框架 |
| 3.4 数值实验与分析 |
| 3.4.1 测试系统 |
| 3.4.2 神经网络结构设计与可视化 |
| 3.4.3 统计性测试结果 |
| 3.4.4 模型鲁棒性测试结果 |
| 3.5 本章小结 |
| 第四章 基于图生成对抗网络的三相不对称电网生成算法 |
| 4.1 引言 |
| 4.2 基于图生成对抗网络的拓扑生成算法 |
| 4.2.1 Wasserstein GAN模型 |
| 4.2.2 基于UGL-GAN模型的网络拓扑生成算法 |
| 4.3 三相不对称电网的修正、拓展及性能评价 |
| 4.3.1 基于核密度估计的时序负荷数据生成算法 |
| 4.3.2 电网负荷分配及拓扑修正算法 |
| 4.3.3 考虑电网元件的电网拓展算法 |
| 4.3.4 性能评价指标 |
| 4.4 算例分析 |
| 4.4.1 网络生成结果 |
| 4.4.2 应用实例 |
| 4.5 本章小结 |
| 第五章 基于嵌入式人工智能的混联输电线路单端故障定位 |
| 5.1 引言 |
| 5.2 混联输电线路单端故障波形特性分析 |
| 5.3 基于人工智能技术的故障定位 |
| 5.3.1 长短期记忆网络 |
| 5.3.2 单端故障定位模型 |
| 5.4 基于嵌入式人工智能的故障定位框架 |
| 5.5 算例分析 |
| 5.5.1 测试环境与测试系统 |
| 5.5.2 测试数据生成 |
| 5.5.3 模型训练结果 |
| 5.5.4 模型测试结果 |
| 5.6 本章小结 |
| 第六章 暂态稳定边界快速生成与在线稳定评估算法 |
| 6.1 引言 |
| 6.2 暂态稳定边界快速生成算法 |
| 6.2.1 暂态稳定边界数学模型 |
| 6.2.2 暂态稳定性指标及其灵敏度 |
| 6.2.3 关键暂态稳定数据样本采样策略 |
| 6.2.4 暂态稳定边界构建及样本重采样算法 |
| 6.2.5 数据采样终止判据 |
| 6.3 关键场景筛选算法 |
| 6.3.1 初始搜索空间筛选 |
| 6.3.2 关键运行场景筛选 |
| 6.3.3 关键扰动场景筛选 |
| 6.3.4 实际运行点匹配与关键发电机组降维算法 |
| 6.4 电力系统在线稳定评估框架 |
| 6.5 算例分析 |
| 6.5.1 暂态稳定边界生成可视化:以IEEE-9 节点电力系统为例 |
| 6.5.2 暂态稳定边界生成可拓展性测试:以NESTA-162 节点电力系统为例 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 附录 |
| 附录 A 发电机动态模型 |
| 附录 A.1 发电机模型参数说明 |
| 附录 A.2 二阶发电机模型 |
| 附录 A.3 四阶发电机模型 |
| 附录 A.4 六阶发电机模型 |
| 附录 B 励磁系统动态模型 |
| 附录 C 调速系统动态模型 |
| 附录 D 电力系统稳定器(PSS)动态模型 |
| 作者简历及攻读学位期间取得的学术成果 |
（3）微生物代谢产物发酵过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出和研究意义 |
| 1.2 微生物代谢产物发酵过程建模研究概况 |
| 1.2.1 发酵过程工艺机理建模的现状 |
| 1.2.2 发酵过程混合模型辨识的现状 |
| 1.2.3 发酵过程基于数据驱动的软测量 |
| 1.3 微生物代谢产物发酵过程模型类别 |
| 1.3.1 发酵过程模型的分类 |
| 1.3.2 微生物发酵过程建模一般步骤 |
| 1.4 论文研究内容 |
| 第二章 代谢产物发酵过程动力学模型及稳定性分析 |
| 2.1 引言 |
| 2.2 发酵培养条件分析 |
| 2.2.1 微生物营养要素 |
| 2.2.2 微生物培养环境条件 |
| 2.2.3 培养环境优化技术 |
| 2.3 微生物发酵过程培养基及其优化 |
| 2.3.1 培养基的基本构成 |
| 2.3.2 培养基条件的优化 |
| 2.4 微生物发酵过程物料平衡分析 |
| 2.4.1 基本公式 |
| 2.4.2 微生物发酵过程生长和底物消耗动力学模型 |
| 2.4.3 微生物发酵过程比生长速率分析 |
| 2.5 发酵过程通用动力学模型 |
| 2.5.1 微生物生长、维持、死亡状态空间模型 |
| 2.5.2 丙酮酸发酵过程动力学模型 |
| 2.6 丙酮酸发酵过程模型稳定性分析 |
| 2.6.1 丙酮酸发酵过程动力学方程的平衡点 |
| 2.6.2 丙酮酸发酵动力学方程平衡点的稳定性 |
| 2.7 本章小结 |
| 第三章 基于Hammerstein模型的发酵过程参数辨识 |
| 3.1 引言 |
| 3.2 Hammerstein非线性输出误差模型描述 |
| 3.3 非线性输出误差模型参数辨识的梯度迭代算法 |
| 3.3.1 算法推导 |
| 3.3.2 仿真实验 |
| 3.4 辅助模型多新息随机梯度算法 |
| 3.4.1 辅助模型多新息随机梯度算法推导 |
| 3.4.2 仿真实验 |
| 3.5 青霉素发酵过程参数辨识 |
| 3.5.1 发酵过程的多模型结构 |
| 3.5.2 仿真实验 |
| 3.5.3 青霉素发酵工艺 |
| 3.5.4 青霉素发酵过程参数辨识 |
| 3.6 本章小结 |
| 第四章 基于多尺度小波支持向量机的发酵过程软测量研究 |
| 4.1 引言 |
| 4.2 小波核函数的基本原理 |
| 4.2.1 希尔伯特空间和小波框架 |
| 4.2.2 基于框架的核函数 |
| 4.2.3 小波函数分析 |
| 4.3 多尺度小波核函数 |
| 4.3.1 多分辨分析 |
| 4.3.2 小波函数和小波空间分析 |
| 4.4 多尺度小波核函数支持向量机 |
| 4.4.1 支持向量机 |
| 4.4.2 多尺度小波核函数的支持向量机 |
| 4.4.3 仿真实验及应用 |
| 4.5 小波支持向量机在谷氨酸软测量中的应用 |
| 4.5.1 谷氨酸工艺过程概述 |
| 4.5.2 实验材料与方法 |
| 4.5.3 训练数据的预处理 |
| 4.5.4 支持向量回归机的软测量建模 |
| 4.5.5 多尺度小波核函数的支持向量回归机软测量建模 |
| 4.6 本章小结 |
| 第五章 基于孪生支持向量机的发酵过程软测量研究 |
| 5.1 引言 |
| 5.2 特征加权孪生支持向量回归机 |
| 5.2.1 孪生支持向量回归机 |
| 5.2.2 位置特征和结构特征 |
| 5.2.3 特征加权孪生支持向量回归机 |
| 5.2.4 连续超松弛方法 |
| 5.3 谷氨酸发酵参数选择 |
| 5.3.1 数据的来源 |
| 5.3.2 输入输出变量的确定 |
| 5.4 谷氨酸发酵过程软测量建模 |
| 5.4.1 混合核函数 |
| 5.4.2 特征孪生支持向量回归机参数的自适应粒子群寻优 |
| 5.4.3 混合核函数的孪生支持向量机参数优化 |
| 5.4.4 特征加权孪生支持向量机的发酵过程建模 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表的论文及其他成果 |
（4）谷氨酸发酵过程的软测量建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外谷氨酸产业的发展现状 |
| 1.2.1 谷氨酸物化性质及发展历史 |
| 1.2.2 国内外谷氨酸产业现状 |
| 1.3 软测量技术 |
| 1.3.1 软测量建模概述 |
| 1.3.2 软测量建模步骤与内容 |
| 1.3.3 软测量建模方法 |
| 1.3.4 软测量技术应用 |
| 1.4 发酵过程软测量建模国内外研究现状 |
| 1.4.1 基于机理模型的发酵过程软测量 |
| 1.4.2 基于数据驱动的发酵过程软测量 |
| 1.4.3 混合模型软测量 |
| 1.5 主要研究内容和结构安排 |
| 第二章 谷氨酸发酵过程动力学建模 |
| 2.1 引言 |
| 2.2 发酵过程基础数学模型 |
| 2.2.1 发酵过程合成和和代谢分解反应 |
| 2.2.2 发酵过程典型数学模型 |
| 2.2.3 发酵过程比反应速率模型 |
| 2.3 谷氨酸发酵过程代谢(流)网络分析 |
| 2.3.1 材料与方法 |
| 2.3.2 发酵过程影响因素分析 |
| 2.3.3 代谢网络模型的简化、计算和求解 |
| 2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
| 2.4 谷氨酸发酵分批流加非结构动力学建模 |
| 2.4.1 非线性规划确定非结构动力学模型参数 |
| 2.4.2 遗传算法确定非结构动力学模型参数 |
| 2.4.3 改进遗传算法确定非结构动力学模型参数 |
| 2.5 本章小结 |
| 第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
| 3.1 引言 |
| 3.2 支持向量机 |
| 3.2.1 支持向量机分类 |
| 3.2.2 支持向量机回归 |
| 3.3 多阶段分割算法 |
| 3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
| 3.5 结果与讨论 |
| 3.6 本章小结 |
| 第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
| 4.1 引言 |
| 4.2 偏最小二乘 |
| 4.2.1 PLS原理与计算方法 |
| 4.2.2 模型提取成分的确定 |
| 4.3 最小二乘支持向量机 |
| 4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
| 4.4.1 模拟退火算法 |
| 4.4.2 耦合模拟退火算法 |
| 4.4.3 耦合模拟退火优化参数算法 |
| 4.4.4 基于CSA优化的LSSVM软测量预测算法 |
| 4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
| 4.5.1 PLS-LSSVM软测量预测模型实现流程 |
| 4.5.2 辅助变量选择 |
| 4.6 结果与讨论 |
| 4.6.1 模型性能评估指标 |
| 4.6.2 PLS与 LSSVM模型比较 |
| 4.6.3 SVM和 LSSVM预测模型比较 |
| 4.6.4 PLS-LSSVM简化模型性能分析 |
| 4.7 本章小结 |
| 第五章 基于高斯过程的谷氨酸发酵过程软测量 |
| 5.1 引言 |
| 5.2 高斯过程模型 |
| 5.2.1 无参预测 |
| 5.2.2 高斯过程回归 |
| 5.2.3 协方差函数 |
| 5.2.4 高斯过程的模型选择 |
| 5.2.5 高斯过程稀疏化 |
| 5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
| 5.3.1 基于PLS-GP的软测量模型架构 |
| 5.3.2 训练数据的准备 |
| 5.3.3 输入变量选择 |
| 5.3.4 协方差函数的确定 |
| 5.3.5 结果和讨论 |
| 5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.4.1 基于预测方差的自主动高斯过程模型 |
| 5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
| 5.5.1 基于特征关联性的自相关决定变量选择 |
| 5.5.2 结果和讨论 |
| 5.6 本章小结 |
| 第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
| 6.1 引言 |
| 6.2 谷氨酸发酵过程软测量实施系统软件构架 |
| 6.3 谷氨酸发酵过程计算机控制系统 |
| 6.3.1 溶解氧控制 |
| 6.3.2 温度控制 |
| 6.3.3 pH值控制 |
| 6.3.4 压力的控制 |
| 6.3.5 泡沫的控制 |
| 6.4 谷氨酸发酵过程溶解氧的优化控制 |
| 6.4.1 材料与方法 |
| 6.4.2 DO控制算法 |
| 6.4.3 结果和讨论 |
| 6.5 监控系统设计 |
| 6.6 Matlab与 RSView32 通信的实现 |
| 6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间的成果 |
（5）氧化锌挥发窑混合建模与智能控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 挥发窑生产过程建模方法研究现状 |
| 1.2.2 挥发窑温度控制算法研究现状 |
| 1.3 论文的主要研究内容与结构 |
| 第2章 氧化锌挥发窑生产过程机理模型研究 |
| 2.1 氧化锌挥发窑工艺介绍 |
| 2.1.1 氧化锌挥发窑的结构 |
| 2.1.2 氧化锌挥发窑工艺流程 |
| 2.1.3 挥发窑煅烧氧化锌的生产机理 |
| 2.2 氧化锌挥发窑生产过程机理模型 |
| 2.2.1 氧化锌挥发窑机理模型 |
| 2.2.2 挥发窑工况数据 |
| 2.3 反应速率 |
| 2.3.1 反应速率的定义及建模方法 |
| 2.3.2 反应速率相关数据获取 |
| 2.3.3 化学反应率机理模型 |
| 2.4 氧化锌挥发窑机理模型仿真及分析 |
| 2.4.1 稳态仿真分析 |
| 2.4.2 动态仿真分析 |
| 2.5 本章小结 |
| 第3章 基于支持向量机的挥发窑混合模型 |
| 3.1 支持向量机理论算法介绍 |
| 3.1.1 支持向量机概述 |
| 3.1.2 支持向量机的原理 |
| 3.1.3 支持向量回归算法 |
| 3.1.4 核函数 |
| 3.2 基于支持向量机氧化锌挥发窑混合建模 |
| 3.2.1 非线性支持向量回归反应率建模 |
| 3.2.2 反应率预测模型仿真与分析 |
| 3.2.3 氧化锌挥发窑机理模型与反应率模型融合 |
| 3.2.4 氧化锌挥发窑生产过程混合模型仿真结果分析 |
| 3.3 本章小结 |
| 第4章 挥发窑智能预测控制系统设计 |
| 4.1 预测控制 |
| 4.1.1 预测控制基本原理 |
| 4.1.2 智能预测控制 |
| 4.2 极限学习机模型 |
| 4.2.1 极限学习机原理 |
| 4.2.2 极限学习机的学习算法 |
| 4.3 基于极限学习机的智能预测控制 |
| 4.3.1 预测模型与反馈校正 |
| 4.3.2 滚动优化 |
| 4.3.3 预测控制实现步骤 |
| 4.4 基于ELM的氧化锌挥发窑智能预测控制 |
| 4.4.1 窑温数据的获取与白噪声处理 |
| 4.4.2 预测模型辨识 |
| 4.4.3 智能预测控制系统的设计与仿真 |
| 4.5 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 附录1 |
| 攻读学位期间主要的研究成果 |
| 一、攻读硕士学位期间已发表的论文 |
| 二、攻读硕士学位期间申请的专利 |
| 三、获奖情况 |
| 四、参加的项目 |
| 致谢 |
（6）支持向量机模型的优化及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题依据 |
| 1.1.1 支持向量机泛化能力强、应用广泛 |
| 1.1.2 单一支持向量机存在一定的局限性 |
| 1.1.3 优化模型的提出 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实际意义 |
| 1.3 研究思路与主要研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 主要研究内容 |
| 1.4 主要创新与不足之处 |
| 1.4.1 主要创新点 |
| 1.4.2 主要不足之处 |
| 2 优化支持向量机的提出 |
| 2.1 支持向量机的原理与特点 |
| 2.1.1 支持向量机的研究背景 |
| 2.1.2 几种常见支持向量机的方法介绍 |
| 2.2 优化支持向量机的研究现状与述评 |
| 2.2.1 支持向量机数据结构优化的研究现状与述评 |
| 2.2.2 支持向量机参数优化的研究现状与述评 |
| 2.2.3 支持向量机组合优化的研究现状与述评 |
| 3 支持向量机的数据结构优化及其应用 |
| 3.1 数据结构优化的原理与特点 |
| 3.1.1 KZ滤波 |
| 3.1.2 KZ自适应滤波器 |
| 3.1.3 改进后的KZ滤波方法 |
| 3.2 基于支持向量机的数据结构优化模型的构建 |
| 3.3 实际问题的背景与研究现状 |
| 3.3.1 国外大气污染预警现状 |
| 3.3.2 国内大气污染预警现状 |
| 3.4 数据结构优化模型在大气污染预警中的应用 |
| 3.4.1 数据分析与预处理 |
| 3.4.2 细颗粒物过滤结果 |
| 3.4.3 可吸入颗粒物过滤结果 |
| 3.4.4 空气污染物的预测模型 |
| 3.4.5 模型预测性能的扩展实验 |
| 3.5 本章小结 |
| 4 支持向量机的参数优化及其应用 |
| 4.1 帝国竞争算法(ICA)的原理与特点 |
| 4.2 支持向量机参数优化模型的构建 |
| 4.2.1 获得最优训练集的方法(欧几里得距离) |
| 4.2.2 参数优化模型 |
| 4.3 实际问题的背景与研究概况 |
| 4.3.1 电影票房预测的背景介绍 |
| 4.3.2 关于解释变量的文献研究 |
| 4.3.3 关于预测模型的文献研究 |
| 4.4 参数优化模型在电影票房预测中的应用 |
| 4.4.1 电影票房预测的数据介绍 |
| 4.4.2 数据预处理 |
| 4.4.3 统计指标 |
| 4.4.4 本实验的研究框架 |
| 4.4.5 最优训练集的选择 |
| 4.4.6 LSSVM与其他常用预测模型的比较 |
| 4.4.7 ICA与其它优化算法在优化LSSVM参数方面的比较 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 5 支持向量机的组合优化及其应用 |
| 5.1 支持向量机组合优化模型的构建 |
| 5.1.1 支持向量机方法组合优化的构建 |
| 5.1.2 支持向量机模型组合优化的构建 |
| 5.2 方法组合优化在能源经济上的应用 |
| 5.2.1 能源经济的背景介绍 |
| 5.2.2 风速预测的研究概况 |
| 5.2.3 数据介绍与预处理 |
| 5.2.4 实证设定 |
| 5.2.5 实证结果与分析 |
| 5.2.6 方法组合优化小结 |
| 5.3 模型组合优化在生存数据上的应用 |
| 5.3.1 模拟实验与分析 |
| 5.3.2 实际数据应用 |
| 5.3.3 模型组合优化小结 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 优化模型的适用性讨论 |
| 6.2 结论 |
| 6.3 未来研究方向 |
| 在学期间发表的科研成果 |
| 附录 |
| 参考文献 |
| 后记 |
（7）基于在线学习支持向量机的中国股票市场价格预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第—章 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究方法、内容和技术路线 |
| 1.2.1 研究方法 |
| 1.2.2 研究内容及技术路线 |
| 1.3 本文主要创新点 |
| 第二章 相关文献综述 |
| 2.1 支持向量机应用于金融市场文献综述 |
| 2.2 在线学习支持向量机文献综述 |
| 2.2.1 在线学习最小二乘支持向量机 |
| 2.2.2 在线学习核感知机支持向量机 |
| 2.2.3 增量/减量在线学习支持向量机 |
| 第三章 在线学习和支持向量机理论 |
| 3.1 在线学习简介 |
| 3.2 统计学理论 |
| 3.2.1 VC维理论 |
| 3.2.2 推广性的界 |
| 3.2.3 结构风险最小化 |
| 3.3 支持向量机理论 |
| 3.3.1 分类支持向量机 |
| 3.3.2 回归支持向量机 |
| 3.4 核函数 |
| 3.4.1 核函数简介及特点 |
| 3.4.2 核函数原理 |
| 3.4.3 常用核函数 |
| 3.5 网格交叉核函数参数优化算法 |
| 3.6 本章总结 |
| 第四章 最小二乘支持向量机在线学习算法 |
| 4.1 代表性支持向量机在线学习算法 |
| 4.1.1 基于KKT条件的在线学习策略 |
| 4.1.2 基于时间窗口的在线学习策略 |
| 4.2 基于最小二乘支持向量机的增量式在线学习算法的推导 |
| 4.2.1 最小二乘支持向量机 |
| 4.2.2 在线学习算法 |
| 4.3 本章总结 |
| 第五章 股票短期价格预测模型建立和实证分析 |
| 5.1 具体流程 |
| 5.2 数据选则和处理 |
| 5.2.1 数据选取 |
| 5.2.2 数据处理 |
| 5.3 核函数及参数确定 |
| 5.3.1 核函数归纳 |
| 5.3.2 模型评价方法 |
| 5.3.3 招商银行最小二乘SVM核函数参数选择 |
| 5.3.4 招商银行在线学习LSSVM核函数参数选择 |
| 5.3.5 拟合及预测结果比较分析 |
| 5.4 基于径向基核函数的在线学习LSSVM股价预测 |
| 5.5 本章总结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（8）针对瓷砖的图像分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 模式识别的概念 |
| 1.3.1 图像特征分类研究 |
| 1.4 课题研究的内容 |
| 第二章 瓷砖图像预处理及特征提取 |
| 2.1 纹理的描述 |
| 2.1.1 性能要求 |
| 2.1.2 统计方法 |
| 2.2 实验图像 |
| 2.3 利用一阶算子实现图像滤波 |
| 2.3.1 Roberts算子滤波分析 |
| 2.3.2 Prewitt算子滤波分析 |
| 2.3.3 Sobel算子滤波分析 |
| 2.3.4 Laplace算子滤波分析 |
| 2.4 导向滤波增强瓷砖图像纹理 |
| 2.4.1 实验结果对比与讨论 |
| 2.5 特征信息 |
| 2.5.1 纹理特征信息参数选择 |
| 2.5.2 构造颜色特征向量 |
| 2.6 本章小结 |
| 第三章 小波域瓷砖图像特征提取 |
| 3.1 小波变换 |
| 3.2 小波包分析 |
| 3.2.1 小波包定义 |
| 3.2.2 小波包的空间分解 |
| 3.3 DCWC算法思想与实验仿真 |
| 3.4 本章小结 |
| 第四章 瓷砖图像分类 |
| 4.1 基本概念 |
| 4.1.1 线性支持向量机 |
| 4.1.2 非线性支持向量机 |
| 4.2 多分类 |
| 4.2.1 一对多算法 |
| 4.2.2 一对一算法 |
| 4.3 瓷砖图像分类算法实验对比与分析 |
| 4.4 改进的超球体支持向量机在线学习算法 |
| 4.4.1 实验仿真及数据分析 |
| 4.5 改进的超球体支持向量机算法结合深度学习分类 |
| 4.5.1小波包能量系数与稀疏自动编码机的结合实验 |
| 4.5.2 稀疏自动编码机参数设置实验比对 |
| 4.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
| 附录 |
（9）分解算法应用和分位数回归（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 理论基础 |
| 1.2 分解算法 |
| 1.3 最小二乘支持向量机 |
| 1.4 在线学习算法 |
| 1.5 小结 |
| 2 支持向量机模型 |
| 2.1 核函数 |
| 2.2 常用核函数 |
| 2.3 分类与回归问题 |
| 2.4 平分最近点模型 |
| 2.5 最大间隔模型 |
| 2.6 小结 |
| 3 分解算法 |
| 3.1 选块算法 |
| 3.2 SVM~(Light)算法 |
| 3.3 SMO改进算法 |
| 3.3.1 变量 α1, α2的精确求解 |
| 3.3.2 变量 α1, α2的选择 |
| 3.4 ELSVM算法 |
| 3.5 算法实验与结果分析 |
| 4 剪枝算法 |
| 4.1 基于SMO的剪枝算法 |
| 4.2 基于增量学习和减量学习的剪枝算法 |
| 4.2.1 块增量学习 |
| 4.2.2 减量学习 |
| 4.2.3 剪枝策略 |
| 4.2.4 停机准则 |
| 4.3 小结 |
| 5 分位数学习 |
| 5.1 不同分布下的样本 |
| 5.2 分位数回归 |
| 5.3 在线分位数回归算法 |
| 5.4 非一致分布下在线分位数回归的误差 |
| 5.4.1 抽样误差的估计 |
| 5.4.2 定理 5.4.1 的证明 |
| 参考文献 |
| 致谢 |
（10）两类在线分类算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 最小二乘支持向量机 |
| 1.2.2 极限学习机 |
| 1.3 本文创新点与内容安排 |
| 第二章 基于块更新的增量式最小二乘支持向量机在线学习算法 |
| 2.1 批量式最小二乘支持向量机经典算法 |
| 2.1.1 共轭梯度法 |
| 2.1.2 零空间法 |
| 2.2 LS-SVMs递归更新算法 |
| 2.3 LS-SVMs增量式样本块更新算法 |
| 2.4 数值实验 |
| 2.4.1 双螺旋分类实验 |
| 2.4.2 基准数据集分类实验 |
| 2.4.3 高炉数据集分类实验 |
| 第三章 预界在线加权极限学习机算法 |
| 3.1 在线极限学习机算法 |
| 3.2 加权极限学习机算法 |
| 3.3 预界在线极限学习机算法 |
| 3.3.1 增量式在线加权极限学习机算法 |
| 3.3.2 减量式在线加权极限学习机算法 |
| 3.3.3 预界在线加权极限学习机算法 |
| 3.3.4 加权策略、预界策略与评价标准 |
| 3.4 数值实验 |
| 3.4.1 人造不平衡数据集分类实验 |
| 3.4.2 基准数据集不平衡数据分类实验 |
| 3.4.3 不同预界策略在线算法分类对比实验 |
| 3.4.4 基于不同预界策略的分类实验 |
| 第四章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间成果 |
| 算法主要程序 |
| LS-SVMs增量式样本块更新算法 |
| 预界在线加权极限学习机算法 |
| 致谢 |
四、支持向量机在线训练算法及其应用（论文参考文献）
- [1]一类支持向量机在线算法及其应用[D]. 周林寰. 大连理工大学, 2021(02)
- [2]基于数据驱动的电力系统暂态稳定评估[D]. 颜融. 浙江大学, 2021(09)
- [3]微生物代谢产物发酵过程建模研究[D]. 张相胜. 江南大学, 2021
- [4]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [5]氧化锌挥发窑混合建模与智能控制研究[D]. 单乳霞. 湖南工业大学, 2020(02)
- [6]支持向量机模型的优化及其应用研究[D]. 李培志. 东北财经大学, 2019(06)
- [7]基于在线学习支持向量机的中国股票市场价格预测研究[D]. 夏爽. 南京大学, 2019(05)
- [8]针对瓷砖的图像分类研究[D]. 张曼. 广东工业大学, 2019(02)
- [9]分解算法应用和分位数回归[D]. 杨鹏伟. 武汉大学, 2019(06)
- [10]两类在线分类算法研究[D]. 宋晓欣. 中国石油大学(华东), 2018(07)