微波催化酯化反应SVM模型的优化

微波催化酯化反应SVM模型的优化

摘 要：本论文针对微波催化酯化反应过程表现出较强的非线性，影响因素众多，催化机理复杂的特点，充分利用支持向量机在处理小样本方面的优势，使用最小二乘支持向量机（Least Square, LS-SVM）基于实验数据对水杨酸乙酯的微波催化合成反应进行建模。通过交叉验证，模型的拟合误差平方和为2.93%,。标准粒子群优化（Standard Particle Swarm Optimization）算法结构简单易于实现,但处理高维复杂问题容易陷入局部极值。为此，对标准粒子群进行改进，首先构建随机粒子群算法，通过标准测试函数验证，表明其在运行速度和寻优能力上都好于标准粒子群，但可能会将找到的最优值又抛出。最终本文实现一种保证全局收敛的算法，并用于优化水杨酸乙酯的微波催化合成的SVM模型，得到最优条件为：酸醇比1/11，功率402W，催化剂用量3.00mL，反应时间43min，对应的产率为81.91%。

关键词：微波；催化酯化；支持向量机；粒子群优化

目  录

中文摘要 I

英文摘要 II

目录 III

1. 绪论 1

2. 微波催化酯化反应建模 4

2.1 建模的背景 4

2.2 微波催化酯化反应模型分析 4

2.3 支持向量机 5

2.3.1 支持向量机原理 6

2.3.2 核函数   8

2.3.3 最小二乘支持向量机   8

2.3.4 支持向量机主要特点   9

2.4 利用LS-SVM对水杨酸乙酯微波催化合成建模 10

2.4.1 数据预处理   10

2.4.2 交叉验证   10

2.4.3 模型的建立   10

3. SVM模型的优化 13

3.1  优化方法简介 13

3.2  粒子群优化算法 13

3.2.1 粒子群优化 13

3.2.2 随机粒子群 14

3.2.3 算法性能测试   14

3.3  水杨酸乙酯微波催化合成SVM模型的优化 16

4．总结与展望 18

致谢 19

参考文献 20