基于支持向量机的隧道空间光环境质量软测量

软测量技术的关键是建立优良的软测量数学模型,最小二乘支持向量机（LS-SVM）以其优良的泛化特性而被应用到软测量建模中。在分析隧道空间光环境质量影响因素的基础上,提出基于最小二乘支持向量机建模的隧道空间光环境质量软测量方法,给出了相应的系统结构和算法。仿真结果表明,基于LS-SVM的软测量能够较好地对隧道空间光环境质量做出预测,是软测量建模的一种有效方法。     

基于DHSPSO的局部LS-SVM动态建模预测

基于局部建模方法可克服数据间非线性影响的思想,提出了一种基于动态和谐搜索混合粒子群优化(DHSPSO)的局部最小二乘支持向量机(LLS-SVM)动态软测量建模方法.该方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LLS-SVM模型.用DHSPSO的方法选取最小二乘支持向量机的模型参数及训练样本子集的大小,该方法克服了常用的交叉验证法耗时与盲目性问题,适合在线建模及预测.此算法通过对某乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,结果表明该算法较其它算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于EMD-LSSVM的多尺度混合建模方法及其应用

激光陀螺漂移时间序列具有非平稳和非线性的特点,单一预测模型难以准确跟踪其变化趋势。研究了基于经验模态分解（EMD）和最小二乘支持向量机（LSSVM）的多尺度混合建模方法及在激光陀螺漂移预测中的应用。首先,利用经验模态分解将漂移时间序列分解为多个本征模式分量,在采用具有适当核函数的最小二乘支持向量机分别对这些分量进行预测后,以加权集成方式得到最终预测结果。最后,将该方法用于激光陀螺的随机漂移预测中,仿真结果表明:该方法能够准确预测激光陀螺漂移值,取得了比单一模型更好的预测效果,能够为激光陀螺的漂移补偿、故障预报和可靠性诊断提供参考。     

Boosting算法在入侵检测中的应用

将一种基于支持向量机的Boosting算法应用于入侵检测,并通过KDD’99数据的仿真实验将它与单一的支持向量机分类器进行比较,结果表明Boosting算法比单一的支持向量机分类器具有更好的检测效果。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于小波与LS-SVM集成的模拟电路故障检测

由于模拟电路的多样性、非线性和离散性等特点,模拟电路的故障诊断呈现复杂、难以辨识等问题。针对已有方法的数据不平衡,提出了一种支持向量机集成的故障诊断方法。使用小波变换方法提取特征向量,在多类别支持向量机的基础上,设计了模拟电路的最小二乘支持向量机预测模型,实现了对模拟电路的状态的故障预测。将该方法应用于Sallen-Key带通电路进行故障预测试验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和APSVM有更好的分类和泛化性能,故障诊断准确率更高。     

野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

基于聚类和支持向量机的个人信誉评估方法

针对传统的个人信誉评估方法存在的缺陷,提出了一种基于K均值聚类和支持向量机结合的个人信誉评估方法。该方法先将测试数据集进行聚类,根据数据离聚类的数据分布来选取合适数据训练支持向量机,然后利用支持向量机进行分类。结果表明,同单一利用支持向量机分类进行比较,该方法减少了训练时间,同时具有较高的测试精度,比传统的个人信誉评估模型有更好的效果。     

ACPSO—SVR结合的非线性建模预测算法研究

提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法（ACPSO—SVR）,引入ACPSO启发式寻优机制对SVR模型的超参数进行自动选取,在超参数取值范围变化较大的情况下,效果明显优于网格式搜索算法。选取UCI机器学习数据库中的Forestfires标准数据集进行测试,实验结果表明该方法具有较高的精度和良好的泛化能力．对于解决多变量的回归预测问题是一种有效的方法。最后给出了混合算法在碳一多相催化领域的两种典型应用．在反应动力学模型未知的情况下建立催化剂组份模型和操作条件模型,以及基于混合算法的最优催化剂设计框架。     

基于支持向量机的图像预测编码算法

提出了一种利用支持向量机（SVM）构建预测器的图像压缩预测编码算法。该算法将遗传算法引入支持向量机中，在自学习的过程中，能够自动调整SVM的核参数，获取准确的图像信息。通过仿真试验，并与传统预测编码方法、神经网络预测编码方法进行比较，结果证明该算法恢复图像效果最好。     

基于LSSVM的激光陀螺随机误差系数预测

激光陀螺是一种具有广阔应用前景的新型惯性器件.为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了最小二乘支持向量机预测激光陀螺随机误差系数的新方法.采用遗传算法进行支持向量机参数的自动选取,提出了基于遗传优化的最小二乘支持向量机回归预测算法,并对激光陀螺随机误差系数进行了预测实验.实验结果表明,基于遗传算法的最小二乘支持向量机的预测精度更高.另外,研究了回归步长对预测效果的影响.预测结果表明,不同的回归步长对预测结果有较大的影响.     

多组分汽车尾气定量检测系统

目的：针对混合气体浓度检测中,气体间交叉吸收干扰及红外光谱数据计算量过大等问题,提出了一种基于网格搜索的支持向量机方法,建立多组分混合气体定量分析模型。方法：运用网格搜索法对支持向量机建模中的参数进行优化选择,并与遗传算法优化的BP网络建模效果作对比。结果：实验表明：SVM建模所用时间为39.824s,BP神经网络约为2682s;SVM建模预测结果均方差明显低于BP网络。结论：SVM建模时间约为BP网络的1/60,收敛速度更快,且预测精度更高。     

支持向量机在油田系统建模中的应用

在以往油层含油判别分析的基础上提出了一种基于支持向量机的油藏建模方法，应用已知油层的原始资料作为已知信息，建立油气水层的识别模型，对某油区油气水层分布规律进行了解释。结果表明，采用支持向量机判断的油气分布规律与实际试油结果完全一致。同时，将支持向量机用于试井压力恢复曲线的拟和，拟和的最大相对误差为0．9623％.这表明将支持向量机算法用于油田系统建模是十分有效的。     

基于SVM的口语发音识别

语音自动评估对于语音识别非常重要,但由于缺少足够的发音错误样本,所以对每个音素进行建模以实现准确的发音验证是不切实际的.因此,提出了一种新的方法来处理这种不平衡的数据分布,通过建立多个单类支持向量机来评估每个音素是否正确.使用一组语音属性特征训练一类支持向量机来模拟每个音素的正确发音;一类支持向量机模型通过测量新数据与...     

支持向量机在飞机状态监控中的应用

在详细分析飞参数据的基础上,阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架,同时将支持向量机预测模型应用于某型航空发动机飞参数据预测,并与时间序列AR预测模型进行了比较.由于支持向量机采用了新型的结构风险最小化准则而表现出优秀的推广能力,可预测区间较长且具有较高的准确度,对于飞机状态监控研究具有重要的指导意义.     

基于PSO优化支持向量机的煤层注水效果预测模型

开展煤层注水效果的精准化预测对于优化注水工艺过程、调整流程参数具有直接而显著的决定作用。作为非线性预测回归问题,煤层注水效果预测兼具小样本数据训练的特点,基于此,文章利用支持向量机小样本强泛化能力构建基于PSO优化支持向量机参数的煤层注水效果预测模型,通过对所获取样本数据的学习与训练过程,得到最优的支持向量机预测模型。实验结果显示:文章所提出的预测模型与传统的BP神经网络预测模型相比较具有明显的精度优势,可达到相对误差2.026%,对于指导煤层注水实际工程具有较强的应用价值。     

基于软测量的图谱变化检测技术在变电站状态智能分析中的研究与应用

基于软测量图谱变化检测技术,研究了其在变电站状态智能分析中的应用。采用软测量技术对智能变电站状态图谱监测系统的接口分级、IEC61850信息模型、图谱变化监控系统、图谱状态监测系统结构进行研究,同时分析了软测量智能图谱分析关键技术支持向量机SVM法、设备软测量特征分析、典型场景数据库的建立。结合变电站的实际应用,对变电站的两个典型场景的图谱进行建模,通过两个典型场景区域实现对图谱变化异常情况的监控与处理,为今后软测量的图谱变化检测技术在变电站状态智能分析中的应用提供参考。     

支持向量机在广义预测控制中的应用

在推导了广义预测控制算法以及支持向量机算法的基础上,把两者结合起来,将支持向量机的系统辨识功能应用于广义预测控制算法中,提出了支持向量机在广义预测控制中的应用,可以解决广义预测控制在现实问题中遇到的一些问题。利用Matlab工具箱搭建仿真平台并进行仿真实验,结果证明了将支持向量机应用于广义预测控制是可行的。     

时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.