基于小波变换和PSO-SVM的表面肌动作模式分类

为提高对表面肌动作识别的准确性,提出一种小波变换与粒子群优化支持向量机(PSO-SVM)相结合的模式分类方法。通过虚拟仪器采集肱桡肌和尺侧腕屈肌的两路表面肌电信号,运用小波变换对其进行多尺度分解,提取小波系数最大值作为表面肌动作特征,采用支持向量机(SVM)进行特征分类,并在分类过程中引入粒子群算法对SVM的惩罚参数和核函数参数进行寻优。实验结果表明,采用此方法能成功地识别表面肌内翻、外翻、握拳、展拳4种动作,较传统SVM方法有更高的分类精度。     

基于小波分析和量子遗传算法的大坝位移预测模型

提出了一种基于小波分析与改进支持向量机的大坝位移预测模型。大坝位移的原始监测信号的一维向量经小波去噪、分解后,依次对分解各层次建立SVM预测模型,并基于量子遗传算法对SVM参数寻优,小波重构模型结果,求得大坝位移预测结果。实例分析表明,该方法较传统SVM方法,预测结果更精确。     

冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

改进粒子群算法优化的支持向量机及其应用

传统粒子群优化(particle swarm optimization,PSO)算法主要包含两方面问题,即易陷入局部极小和后期震荡严重,为此引入混沌序列来初始化粒子群的位置,并在简化的粒子群数学模型上从两个方面对其进行了改进。本文利用改进的PSO算法对支持向量机(support vector machine,SVM)的参数进行优化,仿真实验结果表明:与SVM、PSO-SVM以及遗传算法(genetic algorithm,GA)优化的SVM(GA-SVM)相比,改进PSO优化的SVM(IPSOSVM)算法具有较高的分类准确率,并且与PSO-SVM算法相比,准确率提高了3%~5%,与PSO-SVM算法以及GASVM算法相比,IPSO-SVM的训练和泛化速度都明显提高。本文将IPSO-SVM算法应用到遥感影像的分类中,分类结果表明,与PSO-SVM算法相比,IPSO-SVM算法具有更好的分类结果。     

基于PSO-SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较.分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％.可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于小波分析和PSO-SVM的控制图混合模式识别

由于质量过程的复杂性,质量过程数据常会有多种异常的混合现象,为了提高对控制图混合模式的识别效果,将支持向量机(Support vector machine,SVM)分类器的参数经过粒子群优化算法(Particle swarm optimization,PSO)算法优化,然后与小波分析技术相结合,设计了三层控制图模式识别模型.该模型首先识别模式是否正常,如果发现异常,则对异常的模式进行小波包分解,将分解后的低频部分和高频部分分别输入第二层和第三层PSO-SVM分类器中进行模式的分类识别.通过仿真实验的验证得,该模型的平均识别率为98.33%,对混合模式的识别率也在95%之上,由此证明了该控制图模式识别模型的有效性.最后,对该模型进行了实例验证,该模型可以很好的识别出控制图混合模式,证明了模型的可行性.     

基于PSO-SVM模型的城轨列车轮对尺寸预测

为了及时掌握轮对尺寸信息,从而保证列车正常运行,提出了建立粒子群优化支持向量机模型对轮对尺寸进行预测的方法.介绍了粒子群优化算法(PSO)及支持向量机(SVM)的相关概念,并利用粒子群优化算法能够实现快速全局优化的特点对支持向量机进行参数优化,解决了支持向量机参数选择盲目性的问题.以某城轨列车轮径值为研究对象,建立基于PSO-SVM的轮对尺寸预测模型,对轮径值进行预测分析.结果表明,轮径值预测相关度达到0.94,证实了建立的预测模型在轮对尺寸预测方面的可行性及有效性.     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

改进支持向量机的管网状态模型

为了解决供水系统优化调度的管网模拟问题，提出了一种基于改进支持向量机（SVM）的宏观关系模型.利用支持向量机推求管网节点水头和供水泵站供水量、供水压力的非线性关系.考虑了样本数量的不平衡性，引入权重因子.在结构风险最小化准则的目标函数中适当加大峰值和谷值样本误差的权重.还考虑了模型参数选择问题，建立了能应用于实际预测的参数选择方法.经杭州市实例计算表明：改进的支持向量机算法提高了测点在峰值压力和谷值压力时的拟合精度，模型95%以上测压点数据的相对误差都在±5%以内，4个测点的平均绝对百分比误差分别达到0.96%, 0.99%, 1.86%和2.06%.     

基于高光谱遥感的玉米叶绿素含量估测模型

运用粒子群优化算法和支持向量机构建叶片尺度玉米叶绿素含量高光谱估测模型,估测玉米叶片叶绿素含量.通过辐射传输模型(PROSPECT)模拟的玉米光谱和所对应的叶绿素含量建立训练数据集;采用粒子群优化算法和支持向量机(PSO-SVM)学习训练数据集,建立研究区实测叶片叶绿素含量估测模型;利用近地高光谱遥感获取的玉米光谱建立验证数据集,将玉米叶片叶绿素含量估测模型运用到验证数据集,估测研究区玉米叶绿素含量.叶绿素含量反演结果的方根误差MSE=76.178 6,叶绿素含量实测值与叶绿素含量估测值的相关系数R2=0.871 2.结果表明:粒子群优化算法和支持向量机构建的反演模型能准确预测玉米叶绿素含量,能够解决小样本玉米采样点情况下叶绿素含量反演问题,可以作为玉米叶绿素含量快速、无损估测的一种新方法.     

基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

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。     

相关向量机理论在大坝变形监测模型中的方法研究

建立有效的大坝变形监测模型可以反映大坝运行情况.相关向量机(RVM)具有良好的泛化能力,且适于解决非线性问题,尤其是高维数情况.在RVM理论的基础上,建立大坝变形监测模型,并以此研究其优化改进模型.改进思路如下:利用马尔科夫链适于解决监测数据波动大的优势处理模型残差;同时如何选择核参数会严重影响RVM模型的精度,采用一种改进的粒子群算法寻优核参数.通过实例比较多种优化模型发现,基于RVM理论建立模型的优化方法可大大提高预测的泛化能力及精度.     

基于改进FSVM的旋转机械故障诊断算法

针对旋转机械故障诊断中采集到的振动信号存在强烈噪声及野值干扰,故障特征提取后,利用传统的支持向量机(support vector machine,SVM)进行模式识别会造成最优超平面的模糊性,影响分类效果,引入模糊C均值聚类算法(fuzzy C-means,FCM)与支持向量机结合进行故障诊断.FCM用来求解样本模糊隶属度,但其迭代求解聚类中心及样本模糊隶属度矩阵时容易陷入局部最优,而粒子群算法(particle swarm optimization,PSO)具有全局优化搜索的优点.基于此,提出了基于改进模糊支持向量机(fuzzy support vector machine,FSVM)的旋转机械故障诊断算法.首先,利用经验模态分解(empirical mode decomposition,EMD)提取故障信号的能量特征指标;然后,由PSO优化FCM求解样本的模糊隶属度;最后,将模糊隶属度引入SVM,构建改进的模糊支持向量机模型,并实现故障判别.实验结果表明:改进的FSVM比传统的FSVM算法有更好的抗造性能以及分类效果.     

支持向量机的给水管网水质综合评价研究

提出了基于支持向量机(SVM)的给水管网水质综合评价模型.在给水管网水质评价标准的基础上采用内插法获得学习样本,利用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,并用K-折交叉验证法优化模型参数,以优化参数的模型建立网络水质分级标准.将训练好的网络模型应用于水体实例并与其它几种评价模型加以比较,分析结果表明,SVM方法评价结果比较客观、合理,尤其在体现指标的极值作用方面具有独到的优势.     

基于小波匹配的新小波支持向量机预测模型

针对产品销售时序具有多维、小样本、非线性、随机性等特征,已有的支持向量核不可能精确逼近任意的销售时序曲线.将小波理论应用于支持向量核函数,并对标准支持向量机进行修正,形成一种新的小波支持向量机(WN-ν-SVM).设计了自适应正态变异粒子群算法(ANPSO)对小波支持向量机模型参数进行辩识,并进行了汽车销量预测的实例分析.结果表明,基于WN-ν-SVM模型的短期预测方法是有效可行的,具有理论意义和实用价值.     

基于脑电信号的癫痫疾病智能诊断与研究

针对医疗诊断中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测技术。首先利用小波分析对脑电信号进行5层分解与重构,然后提取含有癫痫特征频率的3、4、5层重构信号的波动系数和近似熵等特征,计算不同状态不同尺度的脑电信号能量,根据不同状态不同尺度的能量分布,调整特征向量的系数。最后使用粒子群算法优化的支持向量机对脑电信号进行分类。实验结果表明,本文提出的方法可以正确识别健康、癫痫发作间期、癫痫发作期3种类型脑电信号,最终的识别率可以达到99.83%。