[发明专利]基于KKT条件和最近邻法的支持向量回归机自适应建模方法

摘要

本发明公开了一种机器学习领域中的基于KKT条件和最近邻法的支持向量回归机自适应建模方法。该方法先根据离线稳态试验获得的样本集进行建模与学习，再对新增样本进行标准化，判断其是否满足KKT条件，建立滚动时间窗，根据与新增样本最相似的样本计算相关相似度并定义阈值和与其比较的上下限值，用该阈值与上下限值进行比较，根据比较结果对样本集进行相应的调整并校正步骤开头构建的模型，直到所有新增样本均处理完毕。本发明方法使回归模型充分利用历史训练结果，能够显著减少后续训练时间，大大有利于工业生产、特别是电站锅炉燃烧过程参数在线软测量的实施。

主权项

1、一种基于KKT条件和最近邻法的支持向量回归机自适应建模方法，其特征在于包括如下步骤：(1)通过离线稳态试验获得先验稳态样本集D＝{x1，x2，...，xL}，并将该样本集D作为初始的训练样本集进行模型的构建与学习，预先设定初始训练样本集的最大容量M；(2)设第一样本xk为样本集D之外的新增样本，对该新增样本进行标准化，判断其是否满足KKT条件，若满足，则进入步骤(5)，否则进入步骤(3)；(3)建立一个宽度为L的滚动时间窗，由下述(A)式找到与第一样本xk相似度最高的第二样本xp，并通过下述(B)式计算第二样本xp与第三样本xi的平均相似度Save及第一样本xk与第二样本xp的相似度Sp，其中：Scase(x，xi)为相似度函数；xi、xp∈D；i是样本集D中元素编号，i≠p，L为自然数；(4)定义阈值并预设阈值K比较的下限K1和上限K2，两者取值根据实际样本的数据特点而定，其中：K1≤1，K2>1；(5)比较阈值K与下限K1和上限K2的大小：若K≤K1，说明第一样本xk与第二样本xp高度相似，则样本集D不需要更新，维持样本集D及步骤(1)构建的模型结构参数不变；若K2>K>K1，则说明第一样木xk与第二样本xp相似度较高，以第一样本xk代替第二样本xp，样本集D更新为第二样本集D′＝{x1，x2，...，xp-1，xp+1，...，xL，xk}，然后校正步骤(1)构建的模型；若K≥K2，则说明第一样本xk与第二样本xp相似度低，第一样本xk进入样本集D，调整滚动时间窗的宽度L′＝L+1，样本集D更新为第三样本集D＂＝{x1，x2，...，xL，xk}，然后校正步骤(1)构建的模型；若此时L′>M，则保持初始训练样本集最大容量M不变，根据时间先后顺序，随时间窗的滚动将最早进入时间窗的数据滚动剔除，其中：L′为调整后的滚动时间窗宽度；(6)令k＝k+1，转到步骤(2)，根据实际需要，直至所有新增样本全处理完毕，其中：k为新增样本编号，为自然数。