基于分形和支持向量机的装备技术状态预测模型

基于分形和支持向量机回归理论,建立了装备技术状态预测模型.将反映装备运行状态的特征数据作为时间序列,首先进行相空间重构,得到时间序列的最小嵌入维数,以此作为支持向量机输入节点数.利用支持向量机对样本训练,建立预测模型.以装备振动信号预测为实例,表明将时间序列最小嵌入维数作为支持向量机输入节点数目,所建立的模型是最优的.支持向量机预测结果和真实值相比误差较小,可以满足装备技术状态分析和预测的要求.     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

基于CA-FSVR方法的电流互感器误差试验参数预测

本文采用基于相关性分析的模糊支持向量回归方法,对标准电流互感器的误差试验数据进行预测,并根据预测数据的范围和趋势来判断试验设备的运行状态.其中模糊支持向量回归根据数据的采样时间远近,为离群点赋予不同的权值,并通过遗传算法进行参数寻优,获取最优的预测模型.     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

应用支持向量机的交通流状态预测方法研究

支持向量机（support vector machine,sVM）是近年来出现的立足于统计学习理论（statislical learning theory,SLT）的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性．为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测．实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度（本文中实例精度高于95％）,应用前景广泛．     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

基于民航团队旅客销售的预测方法分析

利用Matlab分别用后退的回归分析算法、BP神经网络算法、支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,为民航销售人员提供更加精准的预测信息,从而获得更高的航线收益.分析结果显示:后退的回归分析算法比常用的多元线性回归精准性提高,但是数据结果并不具有可靠性.神经网络算法、支持向量机算法和组合算法比常用的回归分析算法预测的精准度有了明显的提高.支持向量机算法预测精度相对神经网络算法稍低,但是却拥有更强的泛化能力.组合预测算法能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

基于支持向量机的沪深300指数预测研究

基于沪深300股指时间序列的特点,提出了一种基于主成分分析和支持向量机相结合的方法,将影响沪深300股指的各个因子通过主成分法进行信息的提取,然后用支持向量回归机进行学习预测.最后通过比较预测值与真实值,发现所预测的10个时段的收盘价均方误差为2.11617,且由预测值和真实值对比的条形图发现预测趋势基本准确,可见运用支持向量机对沪深300指数进行预测是可行的.     

Machinery Condition Prediction Based on Support Vector Machine Model with Wavelet Transform

Soft failure of mechanical equipment makes its performance drop gradually,which occupies a large proportion and has certain regularity. The performance can be evaluated and predicted through early state monitoring and data analysis. The vibration signal was modeled from the double row bearing,and wavelet transform and support vector machine model（ WT-SVM model） was constructed and trained for bearing degradation process prediction. Besides Hazen plotting position relationships was applied to describing the degradation trend distribution and a 95%confidence level based on t-distribution was given. The single SVM model and neural network（ NN） approach were also investigated as a comparison. Results indicate that the WT-SVM model outperforms the NN and single SVM models,and is feasible and effective in machinery condition prediction.     

支持向量机在装备保障链需求预测中的应用研究

准确的需求预测是装备保障链敏捷运行的重要条件.针对装备保障链需求预测过程中,需求不确定、样本数量较少的实际情况,采用了一种新的预测方法--支持向量机.该方法基于统计学习理论的原理,较好地解决了小样本、非线性的学习问题.建立了装备保障链需求预测的支持向量机模型.并以某物资的需求预测为例进行实例验证,计算结果表明,这种方法比传统的方法有更好的预测精度.     

基于CEEMDAN能量熵的故障特征提取方法

作为武器装备的重要组成部分,复杂机械设备发生故障会严重影响其性能,如何将故障特征有效提取出来尤为重要。针对复杂机械设备振动信号非平稳非线性的特点,本文提出利用自适应噪声集合经验模态分解（CEEMDAN）结合能量熵的方法提取信号故障特征,并以某型装备柴油机为例进行验证。通过构建多分量调制信号,分析比较了EMD、EEMD、CEEMD以及CEEMDAN四种算法的分解效果。利用CEEMDAN对振动信号进行分解,提取相关性较大的IMF分量的能量熵作为特征向量,输入到支持向量机中进行模式分类。研究表明,CEEMDAN能够一定程度上抑制了模态混叠问题,对于不同类型的故障能够有效的识别。     

基于支持向量机的中国石油需求量预测研究

根据1990—2011年中国历年石油消费量相关数据构造输入和输出向量,选用径向基函数(RBF)作为其函数,在MATLAB2.10工具箱中设置相应变量进行参数寻优,从而建立基于支持向量机的石油需求量预测模型.为了验证其效果,同时做出了最小二乘意义下的3种预测拟合曲线,数据误差分析结果表明,支持向量机模型的预测精度高、结果更为可靠.用支持向量机模型预测了2012—2015年我国的石油需求量.     

基于GA-SVM算法永磁同步直线电机变载荷进给位置误差预测

针对永磁同步直线电机精密进给过程中,受到齿槽效应、端部效应及摩擦力扰动等非线性因素的影响,位置误差难以预测问题,提出了一种基于遗传算法(GA)优化支持向量机(SVM)算法永磁直线电机变载荷位置误差预测模型的方法。通过测量各种情况下永磁直线电机在运动过程中的位置变化情况,利用遗传算法优化支持向量机算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,经过遗传算法优化支持向量机建立的位置误差预测模型,在拟合和预测精度上要优于未经过算法优化的位置误差预测模型。     

基于小波奇异性和支持向量机微铣刀破损检测

针对微铣削过程中刀刃破损的现象,提出了基于振动信号奇异性分析的自学习式支持向量机的刀具破损检测方法.对两种状态信号作连续小波变换,计算小波模极大值和信号的李普希兹指数(Lips).通过Lips识别刀具状态,拟合Lips分布概率密度函数并验证其符合正态分布,将Lips分布的均值、方差作为特征值,通过遗传算法参数寻优建立了刀具破损状态的支持向量机(SVM)识别模型,也称最优模型.利用最优模型预测刀具破损状态,其预测准确度从84%逐步提高至90%,提升了系统预测模型的鲁棒性.最后通过实验验证了该方法的有效性.