基于SVM的氧化铝高压溶出苛性比值与溶出率软测量

摘要

苛性比值与溶出率是氧化铝高压溶出过程中两个重要的经济技术指标。它们不仅决定了氧化铝溶出的效果及碱耗，而且对氧化铝的后续生产具有极大的影响。目前没有任何仪表能够实时直接测量这两个值，而只能通过化学分析获得，因此存在很大的时间延迟，严重影响了高压溶出过程的优化控制。为此，研究高压溶出过程中苛性比值与溶出率的软测量预测模型进行实时在线检测，具有十分重要的意义。本论文采用支持向量机(SVM)方法对苛性比值与溶出率进行预测。 首先，论文阐述了高压溶出的机理过程，对高压溶出过程的化学反应以及影响苛性比值与溶出率的主要因素进行了详尽的分析。 其次，对统计学与支持向量机原理进行了阐述。介绍了统计学理论的三个核心概念：VC维、推广能力的界和结构风险最小化；阐述了支持向量机回归与核函数的方法和理论；比较了支持向量机与神经网络两种方法的优缺点以及最小二乘支持向量机(LS-SVM)与标准支持向量机(S-SVM)的不同。为建立基于特征提取的LS-SVM苛性比值与溶出率软测量模型奠定了基础。 最后，采用最小二乘支持向量机为苛性比值与溶出率的预测过程建立模型。详细探讨了数据预处理的方法，深入分析了模型参数对预测性能的影响，在此基础上，建立了基于特征提取的自适应参数LS-SVM苛性比值与溶出率软测量模型，利用Matlab平台进行仿真，取得了很好的效果。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题的来源、背景及研究意义

1.1.1课题的来源、背景

1.1.2课题研究意义

1.2软测量及支持向量机概述

1.2.1软测量概述

1.2.2支持向量机概述

1.3论文的研究内容及结构

第二章氧化铝高压溶出过程机理分析

2.1氧化铝高压溶出工艺概述

2.2苛性比值与溶出率

2.3氧化铝高压溶出过程中的化学反应

2.4溶出过程机理分析及参数影响

2.5影响苛性比值与溶出率的因素分析

2.6 小结

第三章统计学习理论与支持向量机

3.1统计学习理论

3.1.1 VC维

3.1.2推广能力的界

3.1.3经验风险最小化和结构风险最小化

3.2支持向量机回归

3.2.1线性回归

3.2.2非线性回归

3.3核函数

3.3.1常用的核函数

3.3.2核函数方法的实施步骤

3.4支持向量机与神经网络

3.4.1相似点

3.4.2不同点

3.5最小二乘支持向量机

3.5.1 LS-SVM回归算法

3.5.2 LS-SVM与S-SVM的比较

3.6小结

第四章基于SVM的苛性比值与溶出率软测量模型

4.1苛性比值与溶出率软测量模型的整体框架

4.2数据采集

4.3数据预处理

4.3.1数据处理方法

4.3.2数据处理结果

4.4回归模型的建立

4.4.1核函数的选择

4.4.2参数的选择

4.4.3基于LS-SVM的软测量模型

4.5仿真结果分析

4.6 小结

第五章结论与展望

参考文献

致谢

攻读硕士学位期间主要研究成果