基于WSVM的软测量算法应用研究

为了克服污水处理过程中随机干扰严重影响软测量效果的不足,基于支持向量机(SVM)核方法和小波多分辨率理论,提出了一种多分辨率小波核支持向量机的机器学习方法,并应用于对污水处理过程水质参数的软测量中.利用支持向量回归机与参数特性混合建模,实现了对BOD浓度与COD浓度的在线软测量.仿真结果表明:应用该软测量技术能较好地克...     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。     

基于异常识别和关联分析的桥梁数据复合诊断

提出了一种基于异常识别和多传感器关联分析的桥梁数据复合诊断方法。该方法利用超球面一类支持向量机对传感器数据特征进行异常识别,通过ε-支持向量回归机对多传感器测量值进行位置关联分析,从而判定该传感器数据异常是由外部荷载还是传感器自身故障引起。通过江阴大桥主梁加速度传感器的相关测量数据,表明了该方法的有效性。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于nu-支持向量机的软测量技术

利用支持向量机(SVM)来进行软测量建模,首先简要介绍nu-SVM的基本原理,随后利用它来建模重油催化裂化装置.理论分析和仿真研究表明,该方法泛化能力强、对样本的依赖程度低,比基于神经网络的软测量具有更好的性能.     

基于支持向量机的软测量方法在火电厂节能监测中的应用

针对国内火电厂热工过程中传统的测量方法不易测量参数的困难,探讨研究了软测量方法在火电厂节能监测中的最新进展与应用.提出了基于支持向量机的软测量方法.支持向量机是新的机器学习方法,较好地解决了小样本、非线性、高维数、局部极小点等实际问题.以其为依据建立了烟气含氧量的软测量模型,并将模型用于烟气含氧量的预估,结果证明支持向量机是软测量建模非常有效的方法.     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于自适应FLSVM的赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法.它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型.以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,与普通的模糊支持向量机建模方法相比具有较高的预测精度和自适应性.     

基于支持向量机和模态频率的结构损伤诊断

支持向量机（support vector machine，SVM）是一种基于统计学习理论的机器学习算法，能够较好地解决小样本的学习问题。文中介绍支持向量机回归算法，并应用于结构损伤诊断领域；构造基于模态频率的损伤标识量，作为特征参数训练支持向量机实现对结构损伤的定位和程度标识；最后以梁的损伤识别为例进行验证。结果表明，支持向量机在结构损伤诊断领域中具有很好的应用前景。