基于LS-SVM的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型，利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程，然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测，所需样本量少、预测精度高、泛化能力强。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

LS-SVM的矩形窗算法及其在非线性系统建模中的应用

最小二乘支持向量机是支持向量机的一种重要方法,但该方法不能用于在线辨识,并且可能导致计算膨胀问题.将最小二乘支持向量机与矩形窗算法相结合,可形成最小二乘支持向量机的矩形窗算法.由于该方法采用了在线递推,可有效克服坏数据对参数估计的影响,并可避免计算膨胀问题,提高了最小二乘支持向量机的计算速度.最后将该方法应用于非线性系统的建模中,仿真实例验证了该方法的有效性.     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

基于直接支持向量机的蒸发波导参数反演研究

针对蒸发波导反演过程中的非线性多值问题,提出了运用改进的最小二乘支持向量机算法——直接支持向量机,对蒸发波导的折射率剖面进行反演,仿真结果表明,该算法训练模型与抛物方程正向模拟结果吻合度高,相比最小二乘支持向量机,对传播损耗和折射率剖面的模型训练速度更快,训练完成后可以实现对蒸发波导参数的快速反演;比较遗传和神经网络算法反演的高度差值,结果显示了该算法具有更高的准确度。     

基于LS-SVM的新机备件需求预测

为解决因新机备件历史消耗数据相对较少而给备件预测工作带来的困难,提出应用最小二乘支持向量机(least squares support vector machine,LS-SVM)回归算法来实现新机备件需求的预测.阐述了最小二乘支持向量机的基本原理,建立了新机备件需求的预测模型,选取核函数,采用LS-SVM对训练样本进行学习,对其网格结构参数进行训练,通过十字交叉验证(cross-validation)和网格搜索(grid-search)确定最优参数,利用训练后的LS-SVM对新机备件需求进行预测,并进行算例仿真.结果表明,LS-SVM在新机备件需求预测上表现优秀.     

基于主元分析与支持向量机的方法及其在过程监控诊断中的应用

基于支持向量机（SVM）在处理小样本、高维数及泛化性能强等方面的优势，提出了基于主元分析和支持向量机（PCA—SVM）对过程进行监控的方法。文中先利用主元分析方法进行特征数据提取，得到降维的主元特征向量，去除了高维样本变量相关性。然后分析各状态T^2统计、SPE统计量的变化趋势，对实际生产状况进行监控，最后利用SVM与最近邻法相结合的策略对特征向量进行分类识别。试验结果证实了提出算法的有效性。     

基于遗传算法优化支持向量机的航空装备维修费用预测

针对传统航空装备维修费用预测方法难以计算得到满意结果的问题,建立遗传算法优化支持向量机的航空装备维修费用预测模型。将遗传算法与支持向量机相结合,利用遗传算法对支持向量机的参数进行优化,通过实例对GA-SVM模型的应用进行分析对比。结果表明：在航空装备维修费用预测中,该模型比SVR、BP神经网络、偏最小二乘回归以及传统普通多元线性回归方法,具有更高预测精度和泛化能力。     

基于D-S证据理论的导弹制导控制系统的联合最小二乘支持向量机预测模型

针对导弹制导控制系统电子设备密集、各性能特征参数间相互耦合关联性强、使用传统最小二乘支持向量机（LS-SVM）预测精度不高的问题,通过分析特征参数的时间相关性与空间相关性,对传统LS-SVM进行了改进,并利用D-S证据理论在数据融合中的优势,将传统与改进的LS-SVM进行融合,建立了联合最小二乘支持向量机（ULS-SVM）预测模型。以导弹制导控制系统为例,实现了关键参数预测。结果验证了模型的合理性与有效性。     

基于IPSO_LS-SVM 的国防科研项目概算价格估算研究

为解决国内在估算方法选择和模型性能优化上存在的问题,利用改进的粒子群算法优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的参数选择方法,对国防科研项目概算价格估算进行研究.依据最小二乘支持向量机原理,通过优化其参数选择方法,建立了IPSO_LS-SVM概算价格估算模型,并对其进行模型训练和结果验证.结果表明:IPSO_LS-SVM方法估算精度更高,参数寻优速度更快,其估算模型具有有效性和优越性.     

基于液体状态机的模拟电路故障诊断方法

针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用 Matlab 和 PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明：该方法和目前应用最广泛的 BP 神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。     

基于正交试验法和集成神经网络的模拟电路故障诊断方法

在利用集成神经网络进行模拟电路故障诊断时,经常会遇到训练样本庞大的情形.文中以进行多故障诊断为目的,提出了一种基于正交试验法和集成神经网络的模拟电路故障诊断方法.通过正交试验法,大大减少训练样本,同时保证了故障覆盖率.经算例证明,该方法可行、有效.     

基于图论模型的模拟电路故障可测性分析

利用拓扑结构建立模拟电路故障诊断图论模型,讨论了基于图论模型的模拟电路故障可测性,用香农信息熵对测点上电路故障状态的不确定性进行了定量描述,依据可测节点处提供的故障信息量大小,给出了模拟电路中部分测试节点不可及情况下确定最优故障检测点方法。通过实例验证了该方法的有效性。     

基于正交试验法的模拟电路故障诊断新方法

基于神经网络的模拟电路故障诊断方法，存在训练样本庞大的缺点，以进行多故障诊断为目的，提出一种基于正交试验法和神经网络的模拟电路故障诊断方法，充分利用各种信息，以科学的方法对数量庞大的训练样本进行“缩水”处理。该方法能大大减少训练样本，同时保证故障覆盖率，有一定创新性。经算例证明，该方法可行有效。     

小波神经网络在模拟电路故障诊断中的应用

模拟电路故障诊断有故障字典法、故障参数识别法、故障验证法。小波神经网络可避免MLP等神经网络结构设计的盲目性，具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、能有效避免局部最小值问题等优点。随着小波理论和神经网络理论的不断发展，小波神经网络将日益成熟应用于模拟电路故障诊断领域。     

基于ADASYN-随机森林的智能家电内部电路故障诊断

针对智能家电内部电路故障诊断中存在的数据不平衡和分类器诊断精度低的问题,提出一种基于ADASYN算法过采样和随机森林(random forest,RF)的故障诊断方法。将电流信号进行小波包分解,提取最后一层各节点能量作为特征向量;使用ADASYN算法扩充训练数据集,得到随机森林故障诊断模型并进行测试。实验结果表明：ADASYN-随机森林故障诊断模型对智能家电内部电路故障具有较高的诊断精度,对故障诊断有一定的实用价值和指导意义。     

遗传小波神经网络故障字典在模拟电路故障诊断中的应用

以神经网络、小波分析和遗传算法等为代表的智能诊断技术,是故障诊断技术发展的一个重要方向。以传统故障字典法、BP神经网络、小波分析和遗传算法等基本原理为基础,将神经网络、小波分析和遗传算法与故障字典结合,用小波分解预处理故障信号提取故障特征,用遗传算法优化BP神经网络的结构和权值,对基于遗传小波神经网络的故障字典在模拟电路故障诊断中的应用进行研究,并结合实例验证其实际使用性能。     

lp范数约束的模拟电路3层多核故障诊断模型

为提升模拟电路故障隔离精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种改进的l_p范数约束多核超限学习机诊断模型。该模型通过将带权分类误差融入超限学习机优化目标函数中,基于自适应Boosting策略构建了一种3层多核学习框架。在新框架下通过自适应调整训练样本的权重分布,使得每层框架能够聚焦于不同故障样本,进而提升诊断模型的辨识力。通过对2个电路实例的诊断,结果表明：所提模型在不同范数约束下具有近似一致的诊断性能;当故障属性单一时,在平衡漏警、虚警的同时,能够显著提升诊断正确率;当多种属性的故障并存时,能够将难以辨识的故障更加准确地隔离到少数模糊组中。     

基于灵敏度分析的模拟电路故障特征优化

研究了灵敏度分析在模拟电路故障诊断中的数据压缩及特征优化中的应用，利用神经网络的非线性映射和学习推理的优点，提出了基于特征灵敏度的特征向量优化方法。通过对模拟电路的频响参数分析，比较输入特征向量的分类能力，减少输入数据冗余和降低向量维数，实现特征向量的优化。对标准电路的仿真结果表明：该方法与优化前的诊断准确率相近，能够实现模拟电路故障特征优化。     

基于改进离散粒子群优化算法的容差电路故障特征提取

采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%. 采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%.