果蝇优化SVM模型对有机化合物熔点的预测

为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

基于SCSO-SVM的行业供应链风险检测优化方法

为实现供应链风险等级的高精度检测，基于SVM的参数设置对SVM的性能的影响，提出一种基于沙丘猫群算法(SCSO)优化SVM的供应链风险等级检测方法。首先，通过层次分析法建立供应链风险等级评价指标体系；之后，由于SVM的参数设置会影响到SVM的性能，利用SCSO算法对SVM的参数进行了优化，并给出了一种新的基于SCSO-SVM的供应链风险识别算法。与单独的SVM模型相比，SCSO-SVM的供应链风险检测的准确率分别提高了3.06、7.04个百分点，从而说明SCSO-SVM可以有效提高供应链风险检测的精度。     

一种联合优化算法在选矿生产中的应用研究

选矿生产中的磨矿分级通常是多个过程变量相互作用的过程,为了更好地对选矿过程进行控制,提出了一种联合优化算法:改进的布谷鸟算法(CSA)和支持向量机联合寻优。将一种交叉算子引入传统布谷鸟算法中进行修正,对新生种群进行更新并加速计算收敛,然后将其应用于支持向量机(SVM)建立的预测控制模型中进行参数寻优,利用优化得到的SVM模型进行磨矿分级的预测控制。将该优化算法应用于选矿的磨矿分级过程控制,得到不同控制量的动态特性,并将结果与传统布谷鸟优化算法结果进行了对比,结果表明本文提出的联合优化算法可以较好地跟踪设定值的变化,控制变化平稳、误差小,搜索效率较高;同时可以大幅度降低控制量的控制变化率,对控制变量的约束能力更强,在选矿生产中具有良好的应用前景。     

基于EMD奇异值熵和GASVM的转子系统故障诊断方法

提出一种基于经验模态分解(EMD)和奇异值熵的转子系统故障特征提取方法,克服了奇异值分解相空间重构参数难以选择的问题。然后将奇异值和奇异值熵作为故障特征输入到支持向量机(SVM)中,利用遗传算法(GA)对支持向量机进行参数优化,实现了故障的精确诊断。最后通过对转子不平衡、碰摩和不平衡-碰摩耦合3种故障的正确诊断,证明该方法的有效性。     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。     

基于最小二乘支持向量机算法的南宋官窑出土瓷片分类

将最小二乘支持向量机(least square support vector machine,LS-SVM)算法用于杭州南宋官窑2窑址出土瓷片的分类研究中,根据瓷片胎和釉的主要、次要和痕量元素组成对它们进行了分类,用留一法检验其分类效果,并与支持向量机( support vector machine,SVM)算法和自组织特征映射(self-organizing map,SOM)算法进行了比较.结果表明:SVM算法和LS-SVM算法比SOM算法更适合于处理"小样本"问题;一般情况下,SVM的分类效果比LS-SVM的分类效果好,但是LS-SVM具有更快的求解速度.     

基于仿射传播聚类的发酵过程建模

针对花生四烯酸(ARA)发酵过程复杂,机理模型表达不够准确以及单模型泛化能力弱的问题,提出采用基于仿射传播聚类的支持向量机(SVM)多模型建模算法进行该过程建模。该算法首先用仿射传播聚类(AP)算法对ARA样本数据进行聚类,再用SVM算法对各子类样本分别建立子模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。ARA发酵过程的建模实验表明,与其他建模算法相比,基于仿射传播聚类的SVM多模型建模算法所建立的模型具有更高的回归精度和良好的泛化能力。     

LDA＿SVM方法在化工过程故障诊断中的应用

针对复杂化工生产过程数据多样性、高维性以及风险重复性的特点,结合网格搜索(GS)与K折交叉验证(K-CV)理论,提出一种基于线性判别分析(LDA)与支持向量机(SVM)相融合的故障诊断方法。首先利用LDA对正常工况和5类故障模式的混合运行数据进行矢量映射,压缩特征空间维度,抽取并重构故障特征信息。将预处理后的数据作为输入样本,利用GS与K-CV得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于单一SVM和PCA(主元分析)_SVM故障诊断模型,LDA与SVM融合故障诊断方法收敛速度快、诊断准确率高、模型健壮,对化工过程6种运行模式的故障识别准确率达到93.9%。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于人工智能算法的氯盐侵蚀混凝土预测模型

本文基于机器学习算法建立了输电塔桩基混凝土氯离子浓度预测模型,通过相关系数、均方根误差、绝对平均误差和方差比对模型进行检验,并根据蒙特卡洛模拟对模型的稳健性进行分析,同时基于海马优化器对模型进行优化。结果表明,支持向量机(SVM)模型、随机森林(RF)模型和梯度提升树(GBDT)模型都可以准确预测输电塔桩基混凝土中氯离子浓度,相关系数R²均大于0.880,均方根误差小于0.009,绝对平均误差小于0.006,方差比大于0.890。根据误差和稳健性分析结果,建议混凝土中氯离子浓度的预测计算优先使用GBDT模型和SVM模型。根据优化结果,海马优化器能显著提升模型的性能。     

支持向量机算法优化制备赛隆-刚玉浇注料工艺参数

运用可限制过拟合、有较强预报能力的支持向量机算法(SupportVectorMachine,简称SVM)对赛隆-刚玉浇注料的工艺参数进行优化,通过试验数据处理,建立了工艺参数与烧成后常温抗折强度的数学模型。留一法结果表明,用支持向量机算法优化制备赛隆-刚玉浇注料的工艺参数是可行和有效的。     

改进粒子群算法优化SVM的水泥烧成系统故障诊断

在基本粒子群算法的基础上,通过引入自适应变异算子、交叉算子和新的惯性权重,提出一种采用改进粒子群(IPSO)算法对支持向量机(SVM)参数进行优化的分类器模型。选取UCI公共数据集中的Iris、Wine和Seed对其分类性能进行验证。最后,将IPSO-SVM分类器应用于水泥烧成系统的故障诊断中,结果表明:该分类器具有更快的收敛速度、更好的全局收敛能力和更高的故障诊断精度。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于支持向量机的碳纤维增强复合材料梁的分层损伤识别

针对目前支持向量机(SVM)运用于复合材料的分层损伤识别的有关研究尚少,采用归一化后的模态频率,基于SVM回归理论对碳纤维增强复合材料(CFRP)悬臂梁的分层损伤位置、大小及分层界面进行了损伤识别。首先建立了CFRP梁的有限元模型,得到"损伤变量-模态频率"的数据库和数值测试案例,对比不同参数优化方法下的SVM回归预测效果。然后使用德国Polytec激光扫描测振仪进行模态试验获取CFRP梁试件的模态频率值,将实测频率值用于SVM回归预测,进一步证实了SVM在CFRP梁结构的分层损伤识别领域的应用前景。     

基于PSO-SVM的快速甩负荷工况下过热蒸汽温度预测建模

结合海防电厂300MW机组100%负荷下的快速甩负荷试验,采用粒子群优化算法(PSO)对支持向量机(SVM)的参数进行优化,并建立PSO-SVM过热蒸汽温度预测模型。在分析试验时机组燃料量、高旁阀位开度及温度等主要参数变化过程的基础上,对过热蒸汽温度预测模型进行仿真分析。结果表明:建立的PSO-SVM过热蒸汽温度模型具有较高的预测精度,能够实现快速甩负荷工况下过热蒸汽温度的预测,维持机组安全稳定运行。     

基于支持向量机的传感器动态补偿新方法

提出一种基于支持向量机(SVM)的传感器动态补偿新方法,给出相应的补偿过程及学习算法。与常用的神经网络补偿方法比较,其优点是明显的。它采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型的泛化能力;而且将学习算法转换为求解二次规划问题,使得在整个学习过程中有且仅有一个全局极值点,确定了所构造补偿器的唯一性。仿真和实验结果均表明,经过SVM动态补偿器可极大地缩短传感器达到稳定的时间,应用SVM模型对传感器进行动态补偿方法有效。     

基于SVM和KPCA的滚动轴承故障诊断

从时域角度分析了滚动轴承的振动信号,综合利用SVM和KPCA方法来实现对滚动轴承的故障诊断研究。首先对滚动轴承的原始信号从时域角度分析提取典型特征,再利用KPCA方法对输入的典型特征降维,最后采用SVM算法对降维后的数据进行故障诊断。实验证明:该方法在保证较高的故障识别能力的前提下,不仅能够有效地提取损伤特征、降低数据维数,而且实现了数据可视化。