基于LSSVM的木材干燥在线建模研究孙丽萍，范宇，张冬妍，曹军(东北林业大学机电工程学院哈尔滨150040)摘要：介绍了最小二乘支持向量机(LSSVM)冋归原理，钊对木材干燥系统的强耦合、强非线性等特点，提出以LSSVM方法建立木材干燥系统在线模型。模世以干燥实验获取的减速计噱阶段数据为样本，根据实际预测控制需要,建立木材干燥系统的在线预测模型，并进行在线预测。仿真结果表明，基于LSSVM的木材十燥在线模型能够实时反映系统当前状态，在线更新训练样木,滚动优化模熨结构并预测系统下一步输出，模粮结构简单，泛化能力强，预测粘度高，能够满足实际干燥控制的盂要。关键词：在线建模：最小二乘支持向最机；木材干燥中图分类号：TPI81文献标识码：A国家标准学科分类代码：520.20OnlinemodelingforwooddryingbasedonleastsquaressupportvectormachineSunLiping,FanYu,ZhangDongyan,CaoJun(NortheastForestryUniversity,MechanismandElectriccollege.Harbin150040,China)Abstract：Thispaperintroducedprincipleofleastsquaressupportvectormachineregression.AnonlinewooddryingmodelbasedonLSSVMwasbuiltfordryingprocesswithseverenonlinearandcoupling・Thesampledatawasacquiredbytheexperimentofwooddryingwithasmalldryingkiln.Alldeceleratingwooddiyingonlinepredictwasprocessedforsimulation.Resultofsimulationexperimentshowsthattheonlinemodelofwooddryinghasahighpredictprecision,strongextensiveuseandsimpleframe,whichcanreflectrealtimesystemstate,onlinepredictingandupdatingmodelframe.OnlineLSSVMwooddryingmodelisfeasibleandeffectiveforwooddiyingmodelpredictingcontrolsystem.Keywords：onlinemodeling;leastsquaressupportvectormachine;wooddrying收稿日期：2008-03ReceivedDate：2008-03*基金项II：国家自然科学基金(30771678).黑龙江省自然科学基金(C200733)资助项目1引言木材干燥过程是影响木制品品质的关键环节之一。口前国内人多数木材干燥设备自动化程度较低，十燥质量取决于操作人员的经验山。尽管针对线性系统的经典控制方法已经很成熟，但是木材干燥系统具有强耦合，强非线性等特点，难以建立理想的数学模型，使得传统控制方法对干燥过程控制效果并不理想。因此，研究如何建立能反映木材干燥系统特性的模型，对提高木材干燥控制水平具有重要意义。支持向量机是基于统计学习理论，针对小样本的机器学习方法⑵，同神经网络和似，具有拟合任意非线性函数的能力。SVM不存在局部极小以及过学习等问题，口具有更好的泛化性。在SVM慕础上发展起來的最小二乘支持向量机(LSSVM),采用等式约束代替标准SVM的不等式约束，求解过程大大加快⑶。应用LSSVM建立木材干燥模型，能够较好的解决非线性系统建模的难题，为木材于燥智能控制的实现打下基础o通常应用机器学习方法建模均为离线建模，即采集系统全部可观测的输入输出数据作为训练样本，将其批星或者全部加入模型进行训练。而在线建模要求在采集当前系统数据后，将淇加入到训练样本，重新训练模型并在线预测下一步系统状态，以作为控制决策的参考。因此，在线建模方法对木材干燥预测控制的实现具有重要意义。本文利用LSSVM冋归粘度高、求解速度快的优点，建立木材干燥系统在线模型，仿真实验结果表明，木材干燥在线模型，能够根据系统当前状态准确预测下一步的输出，具有很好的性能。2最小二乘支持向量机2.1最小二乘支持向量机回归原理最小二乘支持向量机的回归算法同SVM冋归算法和似，二者主要的区别在于采用不同的优化函数，并将标准SVM中的不等式约束替代为等式约束。对于训练样本(X】，X)…(％yd，xeRn为n维输入向量,yeR为输出向量，求—个最优的y(x)表示x到y的映射关系。设:y(x)=wl(f>(x)+b(1)式中：R'1->R>,k为输入空间到高维特征空间的非线性映射，这种非线性映射可将输入空间的非线性冋归问题变为高维特征空间中的线性冋归问题。LSSVM冋归算法可表示为求解如下约束优化问题⑷：般小化泛函：./(叱)工:&⑵约束条件为：yk=wT^(x)+b+ek9R=l,…N⑶式中：wwW为权重向量，ekeR为课差变量，b为偏置量...