一种基于增量式SVR学习的在线自适应建模方法

摘要

训练样本的数量与质量对于过程建模至关重要,在很大程度上影响所建模型的质量.基于增量式支持向量回归(SVR)学习算法,提出一种在线自适应建模方法以实现有选择地添加和删除训练样本.该方法利用SVR模型的KKT条件选择出那些包含足够多新信息的样本进行增量学习,能够在保证模型泛化能力的同时降低模型更新频率.另外,为快速准确地跟踪过程特性的变化,将通过评价当前模型对新增训练样本的学习能力来决定是否需要删除旧样本.当需要删除样本时,基于样本间的相似度,选择淘汰与当前过程特性差别最大的旧样本.将该方法用于建立工业聚丙烯熔融指数预报模型,结果表明,与其他方法相比,获得的预测模型具有更好的泛化性能,且模型更新频率明显降低,能有效地适应工况的变化.