基于改进K-means聚类算法的组合模型建模
作者:
杨慧中
[1] ;
董陶
[1] ;
陶洪峰
[1,2]
关键词:
K-means聚类算法
目标函数
初始聚类中心
组合支持向量机
摘要：
在传统的K-means聚类算法中，初始聚类是随机选取的，其聚类结果易随着不同的初始聚类中心波动。针对这一问题，首先采用最大距离积法对传统K-means聚类算法的初始聚类中心进行了优化。同时定义了一种新的目标函数并将其引用到传统的K-means聚类算法中，以实现对聚类结构类别数K的优化选择。将训练集样本数据经上述方法聚类后，再将各个子类分别建立基于支持向量机的子模型，通过开关切换的方式连接各子模型得到组合的支持向量机模型。将该方法应用于双酚A生产过程的缩合反应单元溶解罐出口苯酚含量的软测量建模。工业实例仿真结果表明：该算法能较好地跟踪苯酚含量的变化趋势，有效地改善了数据分类效果，提高了软测量模型的估计精度，显示了它在工业领域的应用潜力。
上一篇：近空间飞行器鲁棒自适应backstepping设计
下一篇：认识基于数据驱动的工业过程控制