Abstract: In the past few years, support vector machines （SVMs） have been applied to many fields, such as pattern recognition and data mining, etc. However there still exist some problems to be solved. One of them is that the SVM is very sensitive to outliers or noises because of over-fitting problem. In this paper, a fuzzy support vector regression （FSVR） method is presented to deal with this problem. Strategies based on k nearest neighbor （kNN） and support vector data description （SVDD） are adopted to set the fuzzy membership values of data points in FSVR. The proposed FSVR soft sensor models based on kNN and SVDD are employed to predict the concentration of 4-carboxy-benzaldehyde （4-CBA） in purified terephthalic acid （PTA） oxidation process. Simulation results indicate that the proposed method indeed reduces the effect of outliers and yields higher accuracy.

Key words: purified terephthalic acid, 4-carboxy-benzaldehyde, support vector machines, soft sensor, fuzzy membership

摘要： In the past few years, support vector machines （SVMs） have been applied to many fields, such as pattern recognition and data mining, etc. However there still exist some problems to be solved. One of them is that the SVM is very sensitive to outliers or noises because of over-fitting problem. In this paper, a fuzzy support vector regression （FSVR） method is presented to deal with this problem. Strategies based on k nearest neighbor （kNN） and support vector data description （SVDD） are adopted to set the fuzzy membership values of data points in FSVR. The proposed FSVR soft sensor models based on kNN and SVDD are employed to predict the concentration of 4-carboxy-benzaldehyde （4-CBA） in purified terephthalic acid （PTA） oxidation process. Simulation results indicate that the proposed method indeed reduces the effect of outliers and yields higher accuracy.

关键词: 精对苯二甲酸;氧化工程;4-羧基苯甲醛;4-CBA 浓度;模糊支持向量;回归模型