基于支持向量机的锅炉水位研究毕业论文.doc

基于支持向量机的锅炉水位研究毕业论文.doc

《基于支持向量机的锅炉水位研究毕业论文.doc》由会员分享，可在线阅读，更多相关《基于支持向量机的锅炉水位研究毕业论文.doc（65页珍藏版）》请在冰豆网上搜索。

华东交通大学毕业设计

支持向量机在发电厂锅炉建模的预测研究

摘要

支持向量机（SupportVectorMachine,SVM）是CorinnaCortes和Vapnik等于1995年首先提出，它建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力的一种算法。

本次研究的目的：

将支持向量机理论的算法引入发电厂再热汽温预测之中，在汽温允许的范围内通过支持向量机算法构造出发电厂再热系统模型，运用回归运算的方法对发电厂再热系统的汽温进行预测。

支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合建模等其他机器学习问题中。

因而我们将发电厂再热汽温的预测问题看作是一种多影响因子的非线性函数关系的逼近问题，使得发电厂锅炉建模问题大大简化。

关键词：

支持向量机；锅炉汽包水位；机器学习；统计学习理论。

ThepredictionresearchofSupportvectormachineinthepowerplantboilermodeling

Abstract

ForthefirsttimetheSupportVectorMachine（SupportVectorMachine,SVM）wasproposedbyCorinnaCortesandVapnikin1995.TheSupportVectorMachineisanalgorithmbasedonthetheoryofVCofstatisticallearningtheoryandthetheoryonthebasisofstructureofminimumrisk.AccordingtothelimitedsampleinformationitcanchoosethebestparametersbetweenthecomplexityofthemodelthatisstudyaccuracyoftheSpecifictrainingsampleandlearningability（i.e.theabilityofcorrecttorecognitionanysample）,soastogetthebestpromotionability.

Thepurposeofthisstudy:

theSupportVectorMachinealgorithmtointroduceintothepredictionofpowerplantreheatsteamtemperature,andbythesupportvectormachinealgorithmconstructthetemperatureofthepowerplantreheatsteamsystemtocontrolintheextentpermitted,andtopredictthetemperatureofthepowerplantreheatsteamsystem.

Supportvectormachine（SVM）thattosolvetheproblemsofthesmallsample,nonlinearandhighdimensionalpatternrecognitionhavemanyuniqueadvantages,anditcanpromotetheapplicationofthefunctionfittinginothermachinelearningproblems.Thusthepowerplantboilerreheatsteamproblemcanalsobeseenasanapproximationproblemofnonlinearfunctionthatitwasinfluencebymanyinfluencefactors,anditmakegreatlysimplifiedforpowerplantboilermodelingproblem.

Keywords:

Supportvectormachine（SVM）;boilerdrumofwater;machinelearning;statisticallearningtheory.

目录

绪论 5

背景及意义 5

论文的主要内容 5

第一章统计学习理论原理及凸最优解的基本理论 7

1.1统计学习理论原理 7

1.1.1基于数据的机器学习问题建模 7

1.1.2经验风险最小化 8

1.1.3学习过程的复杂性 8

1.1.4推广性界的问题 9

1.1.5VC维理论 10

1.1.6结构风险最小化 11

1.2凸最优解的基本理论 12

1.2.1最优化问题 12

1.2.2最优性条件 13

1.2.3对偶理论 15

1.3本章小结 16

第二章支持向量机与支持向量回归机 17

2.1支持向量机的基础 17

2.1.1支持向量机理论 17

2.1.2核函数 21

2.1.3支持向量机的经典分类问题 22

2.2支持向量机回归问题 27

2.2.1SVM的回归原理 27

2.2.2LIBSVM软件使用 29

2.3本章小结 31

第三章发电厂锅炉系统概论 32

3.1发电厂锅炉系统 32

3.1.1发电厂的基本生产过程 32

3.1.2发电厂动力部分系统简介 32

3.1.2发电厂锅炉的基本概念 34

3.2发电厂锅炉再热汽温系统 35

3.2.1再热汽温的特性 35

3.2.2影响再热汽温变化的因素 36

3.2.3传统再热汽温的调节方法 37

3.3本章小结 37

第四章支持向量机在发电厂锅炉的预测研究 39

4.1支持向量的训练过程 39

4.1.1训练数据的选取 39

4.1.2SVM数据的归一化处理 40

4.1.3核函数的手动测试 41

4.2实验结果 43

4.3本章小结 46

致谢 47

参考文献 48

附录部分 49

附录A外文翻译-原文部分 49

附录B外文翻译-译文部分 53

附录C支持向量机在发电厂锅炉建模的相关应用代码 56

附录D软件的安装说明及使用说明 58

绪论

背景及意义

基于数据的机器学习是现代智能技术中的重要方面，是人工智能具智能特征、前沿的研究领域。

其主要模型是利用采集到的样本数据（输入输出数据）拟合样本模型的特征函数，再通过这些特征函数对未来数据或无法观测的数据进行预测。

其主要形式包括模式识别、神经网络、智能控制等。

由于传统统计学研究的是样本数目趋于无穷大时的渐近理论，而大多数现有学习方法也都是基于假设。

但在实际问题中，样本数往往是有限的，因此一些理论上能快速决策和预测的学习方法在实际中却并不适用[1]。

然而在实际应用中，大多数系统都是非线性、时变、强耦合的多变量系统，传统的控制方法会给系统带来很大的超调量[1]。

虽然随着智能控制研究的发展，人工神经网络、专家系统、模糊逻辑以及模糊神经等非线性系统模型，也不断应用到分类和预测中，并且这些非线性模型具有更快的响应和更小的超调，而且对过程参数也具有一定的鲁棒性，但仍有一些难以克服的缺陷，如优化过程可能陷入局部极值，神经网络采用的经验风险最小化准则泛化能力不强，无法控制其收敛以及收敛速度[1]。

直到1995年CorinnaCortes和Vapnik提出基于统计学理论的通用学习方法——支持向量机（SupportVectorMachine或SVM）才使得以往困扰机器学习的模型选择、非线性、高维数和局部极小点等诸多问题，在一定程度上可得以解决。

支持向量机由于其完整的理论框架和在实际应用中取得的很多好的效果，在机器学习领域受到了广泛的重视[1]。

并且它在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势，并在很大程度上克服了“维数灾难”和“过学习”等问题[2]。

此外，它具有坚实的理论基础，简单明了的数学模型，因此，在模式识别、回归分析、函数估计、时间序列预测等领域都得到了长足的发展，并被广泛应用于文本识别、手写字体识别、人脸图像识别、基因分类及时间序列预测等[2]。

本次研究的意义在于：

发电厂锅炉是一种能量转换设备，其利用燃料燃烧释放的热能或其他热能加热水或其他工质，生产规定参数（温度、压力）和品质的蒸汽、热水或其他工质，再利用这些生产出来的工质的推动作用带动汽轮机转动，通过连杆将汽轮机旋转的机械能转化为电能[7]。

因此发电厂锅炉系统是一种非线性、时变大、强耦合的多变量系统，传统的数学建模方法使得我们对发电厂锅炉再热汽系统的建模造成困难，因此我们将支持向量机理论的算法引入发电厂锅炉再热汽温的预测之中，通过支持向量机算法构造出发电厂锅炉再热汽温的输出预测在允许的范围内变化，并运用回归运算的方法对发电厂锅炉再热系统的汽温进行预测。

论文的主要内容

（1）熟悉发电厂锅炉的相关构造，认识电厂锅炉过热，再热汽温对机组安全，经济运行的重要性；

（2）了解统计学习理论原理及凸最优解的基本理论；

（3）掌握支持向量机相关理论基础，结合结构风险最小化原则和VC维理论知识，建立满足高精度和强泛化能力的支持向量机模型，用于对数据群的分类和回归预测；

（4）分析支持向量机在发电厂锅炉再热汽温预测的问题：

通过改变影响再热汽温的变量，得到有关发电厂锅炉再热汽温相关数据。

①将数据进行归一化处理。

②比较多个核函数建立的支持向量机模型，选取最优核函数。

③通过改变核函数相关参数和优化函数惩罚因子，得到最优预测效果。

④利用选取好的最优支持向量机模型，对测试数据进行预报。

（5）完成用Matalab编写的支持向量机在发电厂锅炉再热汽温预测的实现程序，并进行调试。

第一章统计学习理论原理及凸最优解的基本理论

1.1统计学习理论原理

1.1.1基于数据的机器学习问题建模

机器学习的基本定义：

机器通过模拟人的学习行为获取新知识和新技能的一种行为。

数据产生器

G

训练器

S

学习机器

LM

机器学习的研究目标是利用给定有限数量的训练样本求对某系统输入输出之间特征函数的估计，使它能够对未知输出作出尽可能准确的预测。

基于数据的机器学习问题的基本模型可以用图1-1表示。

xy

图1-1基于数据的机器学习问题基本模型

步骤1：

我们通过输入输出的对应关系获取参数模型的特征函数。

步骤:

2：

我们通过已得到的学习机器通过输入x获取估计值y

G：

数据产生器，从未知概率分布函数独立产生随机向量x，

S：

训练器，根据联合分布抽取个