大规模数据样本下的稀疏最小二乘支持向量机研究

摘要

最小二乘支持向量机算法是由经典的支持向量机算法改良而来，引入误差平方项，使得经典支持向量机算法中的不等式约束问题变为等式约束问题，但同时因为改良，使得在求解过程当中，最小二乘支持向量机模型中所有的数据样本点都作为模型的拉格朗曰乘子对模型的建立起到决策作用，这使得最小二乘支持向量机模型很难应用在较大规模数据样本集的处理中。但是在实际的应用中，数据样本集往往包含着大量的数据，而且不同数据样本集的数据具有不同的特征，因此，如何使最小二乘支持向量机能够应用在复杂多样的大规模数据样本中是本课题的主要研究内容，围绕此问题，本文的主要工作如下： (1)分析研究最小二乘支持向量机算法过程，发现并不是所有的数据样本点都对模型的建立起到关键的决策作用，最小二乘支持向量机算法中对模型建立起到关键决策作用的是距离分类决策面非常近和非常远的数据样本点。 (2)引入聚类算法，在复杂多样的大规模数据样本中选取对最小二乘支持向量机模型的建立起到关键决策的数据样本点，对K-means聚类算法特性以及均值平移聚类算法的算法特性进行对比研究，最终选用均值平移聚类算法选取对最小二乘支持向量机模型的建立起到关键决策作用的数据样本点，使用新的数据样本子集进行模型训练，并在真实数据集上进行测试从而实现对模型的优化和改进。 (3)为了验证本文的模型的有效性，将使用均值平移聚类算法约减后的最小二乘支持向量机模型应用在实际的工业项目中。针对直拉硅单晶体生长过程中引晶阶段的温度无法自动控制的问题，本文提出了一种基于光圈图像的引晶阶段温度自动检测并调整的方法。采集光圈原始图像，进行图像处理，采用均值平移聚类算法约减后的最小二乘支持向量机对光圈图像进行分类，模型输出为光圈图像所属的温度模式，由此实现引晶温度的自动检测和辨识。晶体生长的实验表明，本文所提出的使用均值平移聚类算法约减后的最小二乘支持向量机模型的分类方法实现了对引晶流程生长温度的自动分类，控制系统依据分类结果对温度进行调节后，可满足细颈生长对温度精度的要求，成功实现了直拉晶体生长全流程的自动化操作，提升了此类主流晶体生长设备的控制性能与自动化水平，验证了本文所提的均值平移聚类算法约减后的最小二乘支持向量机模型的实用性。

目录

王欣大论文提交版

20180621223257805

20180621223257805

王欣大论文提交版

20180621223257805

王欣大论文提交版