韩晓霞，谢 刚，韩晓明，谢克明

（太原理工大学 信息工程学院，山西 太原 030024）

ACPSO-SVR结合的非线性建模预测算法研究

韩晓霞，谢 刚，韩晓明，谢克明

（太原理工大学 信息工程学院，山西 太原 030024）

提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法（ACPSO-SVR），引入ACPSO启发式寻优机制对SVR模型的超参数进行自动选取，在超参数取值范围变化较大的情况下，效果明显优于网格式搜索算法。选取UCI机器学习数据库中的Forest fires标准数据集进行测试，实验结果表明该方法具有较高的精度和良好的泛化能力，对于解决多变量的回归预测问题是一种有效的方法。最后给出了混合算法在碳一多相催化领域的两种典型应用，在反应动力学模型未知的情况下建立催化剂组份模型和操作条件模型，以及基于混合算法的最优催化剂设计框架。

支持向量机；自适应混沌粒子群优化；建模；预测；碳一多相催化剂

许多实际工业过程或研究对象都具有很高的复杂性，其机理尚不十分清楚，或机理方程非常复杂，难以用现有的数学理论建立机理模型。随着人工智能和计算机技术的发展，非线性工业过程建模技术和方法主要集中在专家经验方法、神经网络方法、模糊逻辑方法、支持向量机方法、模式识别方法、遗传编码方法等方面。

支持向量机（Support Vector Machines，SVM）遵循统计学习VC维理论和结构风险最小化原理 （Structural Risk Minimization，SRM），最早应用于模式识别领域，后来通过引入ε不敏感损失函数概念，推广到ε-SVR （Support Vector Regression，SVR），广泛应用于函数回归问题，成为经验建模中重要的智能建模方法之一。……