PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

可靠性模型自助参数估计法

为了提高可靠性模型参数估计精度,在分析传统可靠性模型的基础上,指出传统的最小二乘法估计和逐次线性概似估计因受随机变量假设分布的限制存在一定的局限性.用自助法给出了可靠性模型的参数估计,包括点估计和区间估计.计算结果表明:自助法所得参数的估计区间、标准差及模型标准残差均小于传统回归法所得结果.在可靠性模型参数估计中,自助参数估计法通过增加模拟次数可快速逼近参数真值,方法快速、有效,可提高模型精度.     

克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

为改善最小二乘支持向量机的泛化性能,将克隆规划、交叉验证相结合的优化算法用于最小二乘支持向量机的参数优化．克隆规划算法是具有局部、全局搜索能力的优化算法,能有效避免陷入局部极值;交叉验证算法的无偏估计性抑制了训练过程中“过拟合”和“欠拟合”．在该优化算法中,用交叉验证误差构造抗体抗原亲合度,用克隆规划算法寻找最小二乘支持向量机的最优参数．用优化的最小二乘支持向量机回归模型建立了惯性器件时间序列预测模型．实验结果验证了算法的有效性及预测模型的泛化性能．预测模型为动态补偿、故障预测提供了依据．     

CPSO-LSSVM在自回归钟差预报中的应用

建立了基于自回归算法的钟差预报模型,利用具有较强非线性运算能力和容错能力的最小二乘-支持向量机算法来求解自回归参数,同时利用具有快速寻优特点的粒子群算法来优化最小二乘-支持向量机参数。为了克服粒子群算法容易陷入局部极值而形成早熟的缺点,提出了分别在粒子初始化位置和陷入局部极值的位置上进行混沌处理,提高了粒子搜索的遍历性和寻优能力,从整体上优化了算法。最后通过星载钟差数据对该算法进行了验证,结果表明:本文算法能够实现亚纳秒量级的预报精度并提升卫星授时导航性能。     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

用PSO方法搜索基于MLE的ARMA模型参数

针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点,将粒子群优化算法(PSO)用于小样本ARMA模型参数的极大似然估计(MLE),以获得概率上最优的数字解。在分析基于ARMA模型似然函数的基础上,详细分析了PSO的思想、方法和评价指标。以实际例证显示了联合PSO优化方法估计AMAR模型参数的优良特性,并从算法和似然函数角度分别阐释了形成利弊的原因。     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

基于GA-LSSVR算法的回采工作面瓦斯涌出量预测

针对回采工作面瓦斯涌出量问题的小样本、非线性、影响因素关系复杂等特点,采用遗传-最小二乘支持向量回归算法对瓦斯涌出量进行预测,利用定量方法进行分析,避免了定性分析的局限性,有效提高了预测的精度。该模型首先利用遗传算法对最小二乘支持向量回归机中的参数进行训练和优化,然后运用遗传-最小二乘支持向量回归模型对测试样本进行了回采工作面瓦斯涌出量测试。测试结果表明:与支持向量回归机以及最小二乘支持向量回归机的预测值相比,遗传-最小二乘支持向量回归的回采工作面瓦斯涌出量预测可靠性和精确性更高。     

基于粒子群优化理论的可靠性分布模型的极大似然参数估计法

针对有些复杂分布模型采用常规极大似然法很难直接进行参数估计,将粒子群优化理论引入极大似然法,提出了基于粒子群优化算法的新的参数估计方法,并通过实例模拟论证了该方法的可行性与有效性。     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

基于遗传模糊高斯混合模型的训练方法

为了解决传统高斯混合模型GMM(Gaussian m ixture model)的训练方法对模型初值十分敏感、在实际训练中极易得到局部最优模型参数的问题,提出了一种GMM模型参数训练的新方法。将遗传算法与基于模糊聚类分析的GMM参数估计相结合,形成一种新的混合算法,对模型参数进行全局优化,提高了参数估计的准确性。采用自适应交叉和变异算子,同时利用模糊最小目标函数FMOF(FuzzyM inimum Objection Function)准则对模型参数进行重估,提高了算法的搜索效率,加快了算法的收敛速度。使用PKU-SRSC语音数据库进行了与文本无关的说话人辨认实验。实验表明,与传统的GMM训练方法和最大似然估计方法相比,本文方法可以得到更优的模型参数,同时识别率也有所提高。     

多变量受控自回归滑动平均系统的极大似然辨识方法

提出了一种针对多变量受控自回归滑动平均(controlled autoregressive moving average system-like, CARMA-like)系统的极大似然参数估计算法。将CARMA-like系统分解成为m个辨识模型(m是输出量的个数),使每一个辨识模型仅包含一个需要估计的参数向量,通过极大似然方法估计每个辨识模型的参数向量,从而得到整个系统的参数估计值。仿真结果验证了该算法的有效性。     

改进DOAS技术在混合气体中的定量分析

针对差分吸收光谱技术(DOAS)中混合气体吸收光谱重叠问题,提出了一种建立在粒子群优化算法和最小二乘支持向量机算法融合上的改进的DOAS方法.采用最小二乘支持向量机技术对SO2、NO分别建立定量分析模型,并运用粒子群优化算法的强大寻优能力对最小二乘支持向量机算法中的参数进行寻优,最后对定量分析模型进行重建.实验结果表明,采用数据融合的DOAS方法,在解决混合气体光谱重叠问题上切实可行,分别将SO2、和NO最大绝对误差率提高到1.200 0%和2.691 8%,具有一定的实际意义.     

基于SVR的航空发动机滑油金属含量预测方法

摘要：利用支持向量回归机（SVR）对航空发动机滑油中金属含量进行预测时,通常利用粒子群算法优化支持向量回归机中的参数。而随着迭代的深入,可能出现粒子陷入局部最优的情况。通过建立粒子散射模型对这部分粒子进行重定位,使之快速跳出局部最优。引入松弛系数p,对惯性参数 进行调节,使整个算法快速收敛。仿真实验表明,算法有助于粒子收敛于全局最优点,提高了滑油中金属含量的预测精度。     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

一种基于双重改进粒子滤波器的故障隔离方法

为了解决在基于解析冗余关系的故障诊断应用中难以实现故障隔离的问题,提出了一种基于双重改进粒子滤波器的故障隔离方法。该方法利用状态和参数估计粒子滤波器组成的联合估计模型,对系统状态和潜在故障参数值进行联合估计,通过对比潜在故障参数估计值与其标称值实现故障隔离。在联合估计模型中,一方面,在传统的随机扰动法的基础上,利用最大似然估计法获得参数时间更新梯度,使用一种改进随机扰动法实现参数时间更新;另一方面,在采样过程中考虑当前量测值,并引入粒子群和模拟退火优化思想,使用一种采样粒子质量改进方法实现粒子采样,以提升其估计性能。仿真结果表明：在假设的两类参数型故障下,基于双重粒子滤波器的联合估计模型在鲁棒性、计算速度和估计精度上均优于基于扩展状态空间的粒子滤波器联合估计模型,在基于双重粒子滤波器的联合估计模型上,使用所提出的改进方法能显著提升其估计性能。所提出的方法基本满足参数型故障隔离对计算效率和估计精度的要求,可作为基于解析冗余关系故障诊断中的故障隔离方法。     

基于高斯噪声的孪生近端最小二乘支持向量回归模型研究及应用

孪生近端最小二乘支持向量回归机(twin proximal least squares support vector regression,TPLSSVR)是在PLSSVR模型的理论基础上结合TSVR模型的双超平面理念而设计的一种新的回归模型. 本文利用TPLSSVR模型框架构建了基于高斯噪声的孪生近端最小二乘支持向量回归模型. 该模型利用最小二乘方法,分别加入正则化项b²₁、b²₂,将一个不等式约束问题转化为两个更简单的等式约束问题,提高了模型的泛化能力,有效提升了预测精度. 为解决模型的参数选择问题,选用收敛速度快、鲁棒性好的粒子群优化算法对模型参数进行优化选择. 将新构建的模型应用于人工数据集和风速数据集,实验结果显示该模型有较好的预测效果.     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。