基于信息熵的多模型建模方法研究
发布时间：2021-04-12 13:55
复杂工业过程的建模广泛采用数据驱动的建模方法,但是数据的高维、冗余以及噪声等特征对模型的影响很大。针对数据冗余严重影响模型的泛化能力这一问题本文展开了深入的研究。本文采用基于信息熵的样本选择方法去除冗余数据。冗余的大小与数据出现的概率有关,冗余度越高,样本集的信息熵就越小,因此可以认为当样本个数一定时,熵值最大的样本集数据冗余度较低。本文采用样本交换的方式选取样本,结果表明这种方法可以简单有效的去除冗余样本,获得冗余度较低的样本数据。为了能够基于样本子集（选择算法得到的样本数据）建立有效的模型,本文选用最小二乘支持向量机（LS-SVM）的建模方法进行建模。基于样本子集的LS-SVM建模方法将样本子集数据作为支持向量来求解原LS-SVM建模问题。经过仿真验证,采用该方法建立的模型具有很好的泛化能力,但其性能受样本子集的样本个数影响很大。本文采用多次样本选择的方法来弥补这种问题带来的不足,从而得到多个样本数量不同的样本子集并基于这些样本子集建立了多个模型。经过分析,这些模型存在着很强的多样性,最终决定将多个模型结合起来建立多模型。本文采取加权求和的结构将多个子模型的输出融合到一起。基于最大...
【文章来源】：东北大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的研究背景及意义
1.2 多模型建模方法研究现状
1.3 常用的样本选择方法
1.4 论文研究内容及结构安排
第2章 基于信息熵的样本选择方法
2.1 样本集的信息熵
2.2 样本选择算法
2.2.1 评价标准
2.2.2 选择原则
2.2.3 选择方法
2.3 仿真与分析
2.4 本章小结
第3章 基于样本子集的LS-SVM建模
3.1 最小二乘支持向量机
3.2 原始空间中求解LS-SVM问题
3.2.1 非线性映射关系计算
3.2.2 模型参数求解
3.3 仿真与分析
3.3.1 非线性函数拟合
3.3.2 多输入数据建模
3.4 本章小结
第4章 基于信息熵的模型融合方法
4.1 子模型的建立
4.1.1 多样性分析
4.1.2 模型个数的确定
4.2 模型的融合方法
4.2.1 加权求和的融合结构
4.2.2 基于熵的权值计算
4.3 仿真与分析
4.4 本章小结
第5章 多模型建模方法的应用研究
5.1 电弧炉炼钢工艺流程
5.1.1 熔化期阶段
5.1.2 氧化期阶段
5.1.3 出钢阶段
5.2 终点温度的影响因素
5.3 仿真分析
5.4 本章小结
第6章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于核模糊聚类的多模型LSSVM回归建模[J]. 李卫,杨煜普,王娜. 控制与决策. 2008(05)
[2]基于辅助变量KNN分析的软测量建模方法[J]. 李哲,田学民. 化工学报. 2008(04)
[3]基于样本熵的运动想象分类研究[J]. 周鹏,葛家怡,曹红宝,张爽,王明时. 信息与控制. 2008(02)
[4]基于在线聚类的多模型软测量建模方法[J]. 李修亮,苏宏业,褚健. 化工学报. 2007(11)
[5]基于多支持向量机的诺西肽发酵中菌体浓度软测量[J]. 桑海峰,王福利,何大阔,张大鹏,何建勇. 系统仿真学报. 2006(07)
[6]RBF多模型神经网络软测量技术在湿法磷酸生产中的应用[J]. 阚晓旭,金晓明. 化工自动化及仪表. 2006(01)
[7]复杂工业过程数据处理综述[J]. 邵义元. 鄂州大学学报. 2005(06)
[8]基于多神经网络模型的软测量方法及应用[J]. 常玉清,王小刚,王福利. 东北大学学报. 2005(06)
[9]基于多神经网络模型的酯化反应软测量[J]. 张宇,李柠,黄道. 华东理工大学学报(自然科学版). 2005(02)
[10]基于多神经网络模型的石脑油干点软测量[J]. 张笑天,颜学峰,钱锋. 控制工程. 2004(S2)
博士论文
[1]基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 阎纲.中南大学 2012
[2]基于信息熵的特征选择算法研究[D]. 刘华文.吉林大学 2010
[3]LF精炼炉钢水温度预报方法研究[D]. 田慧欣.东北大学 2009
硕士论文
[1]基于支持向量机的电弧炉终点参数预报模型的研究[D]. 毛雪菲.安徽工业大学 2010
[2]基于神经模糊系统的多模型建模方法及在软测量中的应用[D]. 姚崇龄.厦门大学 2007
本文编号：3133416
【文章来源】：东北大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的研究背景及意义
1.2 多模型建模方法研究现状
1.3 常用的样本选择方法
1.4 论文研究内容及结构安排
第2章 基于信息熵的样本选择方法
2.1 样本集的信息熵
2.2 样本选择算法
2.2.1 评价标准
2.2.2 选择原则
2.2.3 选择方法
2.3 仿真与分析
2.4 本章小结
第3章 基于样本子集的LS-SVM建模
3.1 最小二乘支持向量机
3.2 原始空间中求解LS-SVM问题
3.2.1 非线性映射关系计算
3.2.2 模型参数求解
3.3 仿真与分析
3.3.1 非线性函数拟合
3.3.2 多输入数据建模
3.4 本章小结
第4章 基于信息熵的模型融合方法
4.1 子模型的建立
4.1.1 多样性分析
4.1.2 模型个数的确定
4.2 模型的融合方法
4.2.1 加权求和的融合结构
4.2.2 基于熵的权值计算
4.3 仿真与分析
4.4 本章小结
第5章 多模型建模方法的应用研究
5.1 电弧炉炼钢工艺流程
5.1.1 熔化期阶段
5.1.2 氧化期阶段
5.1.3 出钢阶段
5.2 终点温度的影响因素
5.3 仿真分析
5.4 本章小结
第6章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于核模糊聚类的多模型LSSVM回归建模[J]. 李卫,杨煜普,王娜. 控制与决策. 2008(05)
[2]基于辅助变量KNN分析的软测量建模方法[J]. 李哲,田学民. 化工学报. 2008(04)
[3]基于样本熵的运动想象分类研究[J]. 周鹏,葛家怡,曹红宝,张爽,王明时. 信息与控制. 2008(02)
[4]基于在线聚类的多模型软测量建模方法[J]. 李修亮,苏宏业,褚健. 化工学报. 2007(11)
[5]基于多支持向量机的诺西肽发酵中菌体浓度软测量[J]. 桑海峰,王福利,何大阔,张大鹏,何建勇. 系统仿真学报. 2006(07)
[6]RBF多模型神经网络软测量技术在湿法磷酸生产中的应用[J]. 阚晓旭,金晓明. 化工自动化及仪表. 2006(01)
[7]复杂工业过程数据处理综述[J]. 邵义元. 鄂州大学学报. 2005(06)
[8]基于多神经网络模型的软测量方法及应用[J]. 常玉清,王小刚,王福利. 东北大学学报. 2005(06)
[9]基于多神经网络模型的酯化反应软测量[J]. 张宇,李柠,黄道. 华东理工大学学报(自然科学版). 2005(02)
[10]基于多神经网络模型的石脑油干点软测量[J]. 张笑天,颜学峰,钱锋. 控制工程. 2004(S2)
博士论文
[1]基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 阎纲.中南大学 2012
[2]基于信息熵的特征选择算法研究[D]. 刘华文.吉林大学 2010
[3]LF精炼炉钢水温度预报方法研究[D]. 田慧欣.东北大学 2009
硕士论文
[1]基于支持向量机的电弧炉终点参数预报模型的研究[D]. 毛雪菲.安徽工业大学 2010
[2]基于神经模糊系统的多模型建模方法及在软测量中的应用[D]. 姚崇龄.厦门大学 2007
本文编号：3133416
本文链接：https://www.wllwen.com/projectlw/yjlw/3133416.html
