基于Matlab的最小二乘支持向量机工具箱及其应用.pdf下载

卷26计​​算机应用程序卷. 2006年12月26日，计算机应用标准版2006年文章编号: 100 1-9081（2006）12Z-0358-03基于Matlab的最小二乘支持向量机Box及其应用李芳芳，赵英凯，严欣（南京工业大学自动化学院，南京210009，江苏省）（lifangfang10 1604 @ 163. com）摘要: 介绍了最小二乘支持向量机算法和基于Matlab SSVM实验室的工具箱L，该工具箱主要包括数据预处理，模型构建对象和各种训练算法等，并且结合工业实例来说明L SSVM实验室在82B钢铁产量预测中的应用. 仿真结果表明，由Matlab开发的最小二乘支持向量机工具箱L SSVM Lab效果好，编程简单，易于实现. 关键词: 预测最小二乘支持向量机L SSVM实验室； 82B钢的CLC编号: TP181文件识别码: A2其中ω控制模型的复杂度，c是归一化参数，控制对为0简介‖ε超过误差样本的.

R是误差控制函数，即不敏感的支持向量机[1]（Support Vector Machine，SVM）是近年来的感官损失函数. 常用的损失函数是线性损失函数，二次损失是建模中使用的一种新的学习方法，与传统的神经网络函数，Huber损失函数相比. 通过选择不同的损失函数，可以构建不同的支持向量机算法，最终从支持向量机的理论形式开始将其转化为二次优化问题. 最小二乘支持向量机将在优化目标损失函数方面获得全局最佳优势，解决了ξ是神经网络中误差i的二次项的必然性. 因此，优化问题是: 局部最小问题. 支持向量机的拓扑由支持向量决策l12（ωξ）ωωξ决定，它避免了传统的神经网络拓扑，该拓扑需要经验试验和误差法，并且min J，=·+ c ∑i2i = 1 （3）SVM最优解基于结构风险最小化的思想，因此比其他φ（）ωξs具有更强的泛化能力. T. : yi = xi·+ b + i，i = 1，…，l非线性函数逼近方法. 因此，对于支持向量ξ，i是松弛因子.

拉格朗日方法用于解决此优化问题: 机器的研究掀起了一股热潮. 但是，支持向量机的原理比l12（ωξαγ）ωωξ更复杂，因此许多学者已经开发了许多支持向量机的工具L，b ,,, = + + c ∑i2i = 1包最小二乘支持向量机 matlab，最著名的是台湾学者林志仁博士开发的lib svm工具箱，在国外的许多网站上都有许多应用程序: svm o su_3. 00，svm light，mySvm- ∑ix i·+ b + -yi 4i = 1，依此类推，这是美国人K. Pelckm an s，JA K，Suyken s开发的基数α（），其中: ii = 1，…，l是拉格朗日乘数. 用于Matlab最小二乘支持向量机的工具箱L SSVM实验室是根据以下优化条件进行编程的: 简单，高度可扩展且算法丰富. 本文将使用Matlab 7.1作为开发环境，主要介绍最小二乘方ω= 0支持向量机L SSVM实验室工具箱的功能和设计步骤，并结合L = 0结合82B钢铁生产中的实例，获得了建模和估计b（5）的良好预测效果. L SSVM实验室的编写代码较少，易于实现. 这是研究和支持L = 0向量机的非常有用的工具.

ξL=0α1可以得到最小二乘支持向量机的原理: 最小二乘支持向量机[2]是对支持向量机的改进，它是l在传统支持向量机中的不等式约束变为方程约束，并且误差ωαφ（）= x ∑iii = 1（）（6）平方和Sum Squares误差损失函数用作训练集的经验损失，因此将二次规划问题转化为线性方程组的求解，提高α= 0∑i的速度和收敛精度来解决该问题. 假设样本是n维向量，并且在其中= = c·，·x + b + -y = 0的区域中li =1αξωφ（）ξ. niiii i样本及其表达式为: （x，y） ，…，（x，y）∈R×R，首先定义具有1 1 ll（）φ（）φ（）的核函数Kx，y = xx是ψ（）nφ（）i的非线性映射满足条件的iij·将样本从原始空间R映射到特征空间xi，称为函数. 根据[6]，将优化问题转化为求解线性方程式: 在此高维特征空间中构造最优决策函数: 01…1b0（）ωφ（）（）yx =·x + b11 K（x， x）+ 1 / c ... K（x，x）ay1 11 111，因此非线性估计函数被转换为高维特征空间·=ω数的线性估计函数.

使用结构风险最小化原理，发项目: 国家科技攻关项目2004BA204B0803（）（）作者简介: 李芳芳1981-最小二乘支持向量机 matlab，女，江苏徐州，硕士，主要研究方向: 智能建模与优化；赵英凯，1943-，男，江苏镇江，教授，博士生导师，主要研究方向: 智能控制，机器人控制；闫欣，1979-，男，江苏南京人，硕士，主要研究方向: 信息集成，实时. 35912月李芳芳等: 基于Matlab的最小二乘支持向量机工具箱及其应用最终使用最小二乘找到a和b，最小二乘. 支持向量机还由一组数据组成，均值为0，且方差为1.预测所涉及的函数（获得该名称，并获得非线性预测模型: poatstd，trastd和主成分分析. 正交处理以减小输入数据的维l，所涉及的函数为p rep ca，trap ca）.

当训练输出（）α（）（）f x = ∑i K x，x i + b8i = 1时，数据也必须被归一化. （）Φ（）Φ（）K x，x = x·x称为核函数，它是与满足Mercer2.3算法的训练和仿真条件的特征空间相对应的任何对称核函数的点积. 用于内核函数的L SSVM实验室工具箱主要用于分类，函数回归和利润类型. 常用的有: 使用内核函数进行无监督学习. L SSVM实验室主要用于函数回归（）1多项式函数: 到3个函数，训练lssvm函数用于训练和建立模型，sim lssvm函数k（x，x）= [（x·x）+ 1] q在估计模型中，p lotlssvm函数是L SSVM实验室工具箱的特殊图形ii（2）RB F函数: 图形函数. L SSVM实验室工具箱的高级版本在贝叶斯框架下还具有至少两个最小二乘支持向量机，具有固定大小的最小二乘支持向量机，等等. k（x，x）= exp-x-x2σi{|我/ 2} 2. 4L SSVM算法的改进（3）Sigmo id函数: lssvm. m ex是在UN IX / L inux环境中进行matlab培训与C（）（（））kx，x = tanh vx·x + cii的接口.

lssvm. dll是C（4）B样条函数的接口: 在Matlab培训的Windows环境下. 使用这两个文件，可以大大提高运行效率. K（x，y）= B 2n（xy）模型验证主要包括Cro ssvalidate，rcro ssvalidation，2L SSVM实验室工具箱. leaveoneout是使用交叉验证的各种改进方法进行优化的，网格搜索在一定范围内用于找到最佳参数范围. 基于Matlab的L SSVM实验室工具箱[3]主要包括分类，最小二乘支持向量回归估计，以将二次规划问题转换为回归，时间序列预测和无监督学习. 工具箱的代码全部由C语言的线性方程式求解，因此失去了支持向量解的稀疏性. 另外，语言是书面的. 根据不同的计算机系统，可以使用工具箱使Windows版本的冗余信息的噪声适合模型参数，这会削弱模型的Luben和Linux版本. 大多数功能可以计算20,000个数据. 刚度降低了概括识别参数的能力. 针对上述缺点，包括贝叶斯框架在内的函数（L SSVM工具箱具有3个版本，可以编辑基本代码和高级代码，软件包Tunelssvm，p runelssvm，weight tedlssvm是最小二乘支持向量）. 在C环境下运行的版本，改善了每台机器的上述缺点.

不同的算法包含不同的功能. L SSVM工具箱外部有一个C程序编译器，它将自动将Matlab程序编译为C程序，然后在82B钢铁产量预测中应用后，在C程序下计算3L SSVM实验室，从而大大提高了L SSVM的计算3. 182B钢铁生产模型的必要效率. 提高产品性能一直是冶金工作者追求的目标. 为了实现这一目标，有必要预测生产前要生产的产品的性能，然后根据预测结果设计钢的成分和加工条件，从而减少发展. 降低成本并缩短开发时间. 某些国内钢铁公司生产的82B钢具有不稳定的机械性能和拉拔断裂现象，并且该钢的化学成分和轧制过程中的工艺参数会影响82B钢的机械性能，以及其化学成分和工艺参数. 用传统的数学模型很难准确地表达82B钢与产品力学性能之间的关系，因此如何有效地建立82B钢生产模型是一个亟待解决的问题. 3.2输入和输出变量的选择图1基于Matlab / C的L SSVM实验室工具箱原则上，建模可以输入影响相关研究主题的各种因素，但是图1是基于Matlab的L SSVM实验室工具箱. 考虑到实际生产情况和控制模型的收敛速度，因此有必要对各种因素进行充分的分析和过滤.

为生产82B钢，Ying将介绍L SSVM实验室. （）（声音性能的因素分为内部钢种的化学成分和外部工艺2.1训练数据的导入）[4]两个方面，金属本身的化学成分直接影响LSSVM的使用. 82B钢工具箱用于培训时，必须准备培训样本，拉伸强度，伸长率，收缩率和其他最终特性. 工艺条件对于获得样品数据更为重要. 有几种方法可供选择. 取决于数据量和数据，特定的方法很复杂，例如加热时间的长度，轨道的速度，纺丝温度的水平和方法. 文件格式等: （1）Talmore冷却线的风冷条件和元件清单将数据直接输入到高速线材的最终机械方式中； （2）创建一个数据文件，这可能会产生影响. 因此，结合工厂过程人员的经验，建立并从数据文件中读取82B钢负载数据功能. 函数负载适合从MA T文本的性能预测模型中读取钢的化学成分数据，包括: 碳，硅，锰，氮和ASC II文件.xls函数从.xls格式文件读取铬，磷和硫的含量以及轧制温度，轧制前温度和轧制后温度的读数，函数c svread从.c sv格式文件中读取数据.

总共13个度数和纺丝温度变量用作神经网络的输入. 从对82B 2.2数据预处理钢性能影响因素的规律性和82B钢的力学性能的研究入手，可以对要训练的输入输出数据进行一定的预处理. 82B钢的机械性能是拉伸强度和快速的训练速度. Matlab提供的数据预处理方法将标准化的处理伸长率和横截面收缩率作为输出，以建立预测模型. （将每组数据转换为-1〜+1之间的数字，涉及的功能是82B钢建模应用程序中的3.3L SSVM工具箱）（p rem nm x，po stm nm x，tram nm x，标准化处理将每组数据将数据导入从MySQL导出的训练数据中，然后将其放入textdata.csv的文本360计算机应用程序中. 导出的估计数据放入predic.csv文件中. 假设训练编号为'p rep roce ss'}， {alpha，b}，Pte st）有200，估计数据为70. 以下是使用L SSVM实验室工具sim lssvm函数也是L SSVM工具箱的重要功能，该程序在bin框中编写以详细说明设计步骤: 编号如上所示，其原理类似于神经网络工具箱中的sim函数.

（1）读取输入和输出数据. 通过调用train lssvm函数和sim lssvm函数，我们可以看到最小值（）A = c svread'traindata. Csv';正方形支持向量机和神经网络的结构有很多共同点（）（）csv格式的文件是一个文本文件，占用很少的空间，可用于使用lot函数进行绘图. 如图2所示，估计82钢将以.txt，.xls打开，这有利于读取数据，也便于制作B / S网页的质量指标. 发布. （2）对输入和输出数据[5]进行标准化的预处理. Ptrain0 = A（: ，[1: 13]）; Ttrain0 = A（: ，[14: 16）; （）[Ptrain，m eanp火车，stdp火车] = p re std Ptrain0'； （）[Ttrain，mean t，stdt] = p re std Ttrain0'； Prestd（）是数据归一化函数，其中m eanp train是未归一化数据之前的向量平均值stdp train是未归一化数据差之前的向量标准.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-204493-1.html