基于SVM的在回转干燥器中水分的模型.docx

基于SVM的在回转干燥器中水分的模型.docx

《基于SVM的在回转干燥器中水分的模型.docx》由会员分享，可在线阅读，更多相关《基于SVM的在回转干燥器中水分的模型.docx（11页珍藏版）》请在冰豆网上搜索。

基于SVM的在回转干燥器中水分的模型

基于SVM的在回转干燥器中水分的模型

摘要-基于过程分析干燥窑，一个软传感器模型对水分的渣滓，用支持向量机（SVM）的建议。

参数向量优化通过混合物的优化算法结合了整体搜索与局部搜索，首先核函数和向量参数优化，大致通过原始的算法，经过可靠的产生，通过局部的线性研究核函数精确地适应。

实验获取样本数据的设计和软测量模型已获得成功应用于推理控制的干燥窑。

被提议的方法不仅可以克服困难，在确定的结构和参数，使用其他模式rbf作为样板，但还具有较好的综合性能优于其他模型。

指出条款-干燥窑；含水量的泛起；软测量模型；支持向量机回归；参数的选择；混合的优化。

1介绍

过程干燥窑是一项重要的程序，以炼锌，和水含量的容量是关键生产指数的干燥过程。

红外线光测量和中子水分仪测定的主要方法，在实际生产过程中。

但是，前者尚未完全成熟，而后者则很少使用，由于辐射和高价格。

结果，由于毫无在线测量，大部分生产过程中的含水量成分已被控制，间接的通过工人的经验，就难以达到控制要求。

所以这是非常重要的，实现在线测水含量的糟粕，通过软测量技术。

设计软传感器是挑选一组另一个变数，这是紧密相关的主要变量，通过在[1]之间建立了一些数学模型可以容易地测量，并实现了在线估计的主变量。

该ARMAX及神经网络模型已成功地用于软测量建模含水量[2]，但ARMAX模型是一种关于一个工作点线性模型，如果实际工作背离了起初的工作点，神经网络模型是难以确定其结构，并解决了装的问题为训练数据集，大的误差预测将会产生。

支持向量机推出通用[3]机器学习方法基于统计理论，可以很好地解决上述问题。

在当前的工作，基于SVM建立了的预测模型已经研制成功，被提议的一种新型混合优化方法参数选择SVM。

软传感器模式是通过的实验收集的样本的数据。

2回转干燥器的流程图

工艺流程干燥窑显示如图1，其中包括头窑，烘干滚筒，筒体附加装置。

35-40%的含水量，由于周围的环境，在顶端所产生的燃烧气体在通过筒体时水含量减少到15-17%，在滚筒烘干通过热交换废气和废渣，而主要是通过对流，那么水分都被运到下一程序。

回转干燥器的控制共分三个部分:

燃烧控制，含水量控制和顺序逻辑控制。

对于控制系统含水率的软传感器是关键的因素。

III。

适合于回转干燥器含水量的模型

通过引入一个损失函数[3]，SVMS可用于回归的问题。

如果有给定的样本向量回归地图数据

转化为一个高维特征空间。

经由非线性映射ф，然后恢复在这个特征空间直线。

一个优化判定函数，可以作为

（1）。

（1）

当矢量

和斜线

。

所以在一个更高维特征空间非线性估计函数被转换为线性函数。

通过应用最小结构的规则和根据经验的风险，对于一个线性ε-不敏感损失函数，引入确定的松弛函数

，

，目前的任务，因此改为:

（2）

哪里

是控制模型的复杂性，在经验风险和结构风险之间，C是规范化常数决定平衡。

与限制的一致:

之后核心替代的双重目标函数是:

接通的条件是:

和

那里

，

都是引进的拉格朗日乘数，而K（

）是满足Mercer条件的核函数。

选择不同类型的核函数和不同的SVMS可以建成。

在这项研究中，我们用高斯公式

二次方程设计问题（3）可以通过连续的最优化（SMO）[4]和衍生分解方法[5]。

只有部分系数（

-

）将为非零；和他们联系的数据点与涉及到的支持向量（SVS）。

鉴于若干支持向量米，它的函数建模数据，然后:

（4）

斜线b，可以计算考虑尤甫-库恩-塔克（KIKT）条件倒退。

B。

模型的结构和第二个变量的选择

基于SVM预测模型结构如列图。

2展示的，它有三个层次，高斯内核是用在中间层和中间层的节点是由SVMS自动形成的，输出量代表着回转干燥器含水量的预测值。

从所有可能的输入变量选择输入变量，是重要的系统建模。

基于模型技术、试验与分析在第二变量和主变量之间的相关性，我们选出了燃料流量重量

，在中间鼓TM回转干燥器的头部和尾部的温差

，速度V等作为第二个变量，及回转窑含水量余渣作为输出变量。

C．SVM参数混合物最优化

SVM广义的性能（预测精度）取决于一个好的设置参数，这是人所共知的，如调整常量C，变化曼的系数ε和主要参数。

一般来说经验误差将与C单调减少，并且当C足够大时他仍保持来不变。

广义的误差的试验将首先与C单调的减少，到了几乎不变的值为C的变化在一定的范围内，当C超越了一定的值而增加。

当C增加时训练时间将增加。

参数ε的控制宽度的ε-不灵敏区适用于训练数据。

ε的值能影响大量的习惯于用来构建回归函数的SVMS。

大量的ε-值导致了

较少选定svms，较简单的回归估计和较少的训练时间。

主要函数类型和参数（σ和D）从输入空间到一些更高维特征空间含蓄地界定非线性映射，对于SVMS的执行也是非常重要的。

大量的实验已经证明：

在高斯核函数中宽度参数σ强烈影响SVMS性能[6]。

这是人所共知的ε的值应正比于输入噪音水平，即ε∝

。

实验表明RMSE对训练集随σ一起增加。

但在另一方面，RMSE对测试集的最初下跌，但随后和σ一起增加。

这表明太小的值导致SVM超额适和，相反太大的值，造成训练数据不太适合。

适当的值σ才能获得某一确定的区域[7]。

本文被提议的对于SVM参数选择的混合的最优化算法的，第一个优化的SVM是用来搜索的核函数及其训练参数与训练样本集，通过基础实验经过某一特定的发生的某些内核参数被很好的适应了。

暂定svms试用验证样本集。

对于确定的样本，当定义了的SVM能够给出很好的预测，SVM训练过程的将完成。

GA的算法结合的能力广泛的抽样搜索空间催化研究的能力和基础的研究能力。

为了找到全局最优混合算法涉及五个主要部分。

1）性能标准

对于估测经验误差交叉验证是一项很受欢迎的技术，并有几个版本。

在K-折叠交叉验证，练习数据是随机分成K组大约相等的互斥的子集（倍）。

在这项研究中，为了简化算法，我们把样本数据分为3组；一组用来练习，另一组用来确认，以及最后一个供测试。

2）染色体表示法

基于上述分析，恒量C和ε对经验误差有比比主要参数较小的的影响，主要参数将很好的适应后者，因此二进制代码的形式被采用以降低计算成本。

直接代码习惯用于编码参数ε，在编码C的值和高斯核参数宽度σ之前一个对数函数被采用。

各种参数可以通过被提议的方法[6]或者系统以前的知识来估计。

3）适当的计算

通过确定的数据集获得的军方根的误差习惯于涌来计算其性能：

（5）

这个指数的表现可能会与实际问题有所改变。

适当的计算通过：

（6）

如果我是一个种群中的个体，

是总体中最高的均方根误差与E（I）为个体的均方根误差。

4）原始的操作

本文两点交叉和非均匀突变函数及规范化的几何方法排序[8]被使用。

这种方法的概率

为每个体的选择，是作为

（7）

其中q代表选取最佳个体的概率，r是个别等级（1级是最好的），而

表示群体大小。

5）对于主要参数的基础研究

当主要参数通过GA在适当的区域建立后，我们就能用局部的研究去调整核函数的参数，在这篇文章中我们主要集中在高斯问题的核心并且采用著作[9]去接近。

通过[8]进行最好的σ的评价的选择是：

（8）

是以前的值，

是当前的值。

混合的最优化算法可以概述如下：

第一步：

给定一个样本集，一个测试集和确定的数据集通过从样本集，测试集进行随机选择建立确定的样本集来形练习集。

用GA参数的排列可以通过在以前段落提到的方法进行检验。

第二步：

原始参数的发展例如人口的规模，大量进化的产生，局部研究（T）的间接产生，SVM的参数包括ε，C和核心宽度参数σ，初始化的人口染色体。

第三步：

解码人口的染色体，在特定的排列通过译码的结果产生一系列C，ε和核参数σ。

用稳定主控振荡器的运算法则去解决二次方程的计算问题，用KKT的情形去获得斜线b然后去获得向量机的模型。

第四步：

用确定的样本去计算SVM模型的预测误差。

通过适当性表现模型的适用性。

第五步：

在每次T产生后选择少许适当解决方案用以执行局部的研究。

第六步：

如果性能是被公认或最高的产生能达到SVM的练习步骤被完成的，进行第七步。

否则，进行交叉实施和转化去创造新的产生个体，然后进行第三步。

第七步：

最小的模型误差是所期望的。

用试样去计算一般化的误差。

IV。

实验程序和数据预处理。

A.实验程序

因为用于测量水含量的实验验设备不能很好的工作，我们利用加热和额外的测量方法去获得水含量的数据。

在所有的测量变量中为了保护和输出有关的适当的波动，几种实验方法已经形成。

为了能够监测动力学模型对于软传感器这种设备是很适用的。

管理员建立的点是各式各样的伪随机的二元方式，如表三（b）。

一些其他测量变量的波动在图表三列出。

B．数据预处理和结果

实验数据习惯用于培养模型，185个样本数据被收集起来并且分为三组。

考虑到数字的影响及误差，这些数据必须经过包含常化和误差的纠正的预处理。

这些错误包括随机误差和严重误差，对于随机误差移动平均数筛选和顺从数据，对于严重误差习惯于检查[10]排出他的影响。

图3在一个持续的激励实验的测试

在被提议的混合的最优化算法下列参数的规格被用来的，群体大小30，数字的产生25，σ的相邻参数检查为15同时T被选为5。

交叉的概率被定为0。

8，转化概率为0。

25。

从最初的模型我们可以探知每次输入变量的重要性。

通过确定的输入引起的输出变化越大，输入变量越重要。

在确认的输入变量秩

和

影响较小之后会被删掉。

然后这个模型被从新改进用被提议的接近的方法和其他方法。

表格1显示了和基于SVR模型，ARMAX模型和RBF模型的比较的结果，表格2显示了在本文中被提议的逼近法其他的SVM的选择参数的方法，在此MAE是绝对的错误。

图四显示了预测值和模型的现实值。

基于高斯核心的可以被认为特殊的RBF网络，伴随着良好的数据和静态的参数，和普通的RBF相比他有较小的结构危险和较高的预测精度。

对于SVR组合的最佳参数在被提议的最优化的算法中能够找到。

表格1

和ARMAX，RBF网络和SVM比较的预测结果

V。

结论

1）用SVR在回转干燥器含水量的预测模型已经被介绍。

它可以跨越用其他模型在检测结构和参数，例如RBF模型。

2）通过设计的实验对于很多数据动力学的信息可以被激励，因此模型的运用可能被提升。

3）对照应用的结果表明