基于支持向量机的软测量技术及其应用

doi:10.13873/j.1000-97872005.08.028

Chinese

您当前的位置：

首页 >

文章列表页 >

基于支持向量机的软测量技术及其应用

更新时间：2025-09-11

- 基于支持向量机的软测量技术及其应用
- Issue 8, Pages: 77-79(2005)
- 作者机构：
  
  宜宾学院化学化工系,四川,宜宾,644007
- 作者简介：
- 基金信息：
- DOI：10.13873/j.1000-97872005.08.028
  CLC： TP274.4
- Published：2005
- 稿件说明：
移动端阅览
[J]. 2005, (8): 77-79.
DOI：

[J]. 2005, (8): 77-79. DOI： 10.13873/j.1000-97872005.08.028.

摘要

支持向量机(SVM)是一种基于结构风险最小化原理

具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法

并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较

结果显示出SVM的明显的优势

特别是对小样本、非线性、高维数一类软测量问题的建模

提供了一种有效的途径。

Abstract

关键词

Keywords

references

熊志化,邵惠鹤,张卫庆.基于支持向量机的火电厂烟气含氧量软测量[J].测控技术,2004(08).

李颖新,朱云华,阮晓钢.基于支持向量机的肿瘤亚型识别[J].计算机工程与应用,2004(17).

周育才,刘志强,李和清.基于神经网络软测量技术的发动机排放测试[J].公路与汽运,2003(06).

张学工.关于统计学习理论与支持向量机[J].自动化学报,2000(01).

J.A.K. Suykens,J. Vandewalle.Least Squares Support Vector Machine Classifiers.[J].Neural Processing Letters,1999(3).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于IPSO算法优化SVM的睡眠分期模型

基于BLSTM-SVM混合模型的脑力负荷分类

动态场景下火灾烟雾多特征融合识别定位研究

支持向量机结合FTIR的沥青混合料老化程度鉴别

基于视觉识别和多传感器的跌倒检测系统设计

Related Author

王成

白国长

张宇

陈丽莉

林赟

曲洪权

李兴国

杨冬

Related Institution

郑州大学机械与动力工程学院

华北石油通信有限公司万庄通信总站

北方工业大学信息学院

河北工业大学机械工程学院

湖北省计量测试技术研究院

⁰