基于支持向量回归机的船舶操纵响应模型辨识

通过对自航模变形Z形试验舵角与转艏角速度数据的分析,应用最小二乘支持向量回归机（Least Square Support Vector Regression,LS SVR）辨识了船舶操纵运动响应模型中的操纵性指数,并用回归得到的响应模型进行了变形Z形试验的数值模拟.通过将首向角和转艏角速度的预报结果与自航模试验数据进行比较,结果验证了该方法的有效性.     

发动机支持向量机建模及精度影响因素

针对发动机具有非线性、时变性的特点以及采用常规神经网络辨识时的过学习等问题,提出基于支持向量机(SVM)的发动机模型辨识方法。该方法以大量实测数据为基础,采用结构风险最小化准则(SRM),保证网络具有很强的推广特性。以MATLAB为平台,依据实测试验数据,研究核函数、损失函数及惩罚参数对系统辨识精度的影响,确定各参数对模型精度影响的程度。在充分考虑各参数之间交互作用的前提下,利用循环嵌套查找方法,获得使支持向量机网络辨识精度达到最优时的各参数值,并以此建立发动机转矩及油耗模型。研究结果表明:基于支持向量机的发动机模型具有较强的泛化能力,为实现发动机与传动系统共同工作的最佳匹配控制奠定了基础。     

支持向量机在电液伺服系统辨识建模中的应用

提出了电液伺服系统的支持向量机的辨识建模方法。利用电液伺服系统的可测参量,建立了基于支持向量机的电液伺服系统的模型。以电液位置伺服系统为例,进行了仿真实验。仿真结果表明支持向量机模型具有辨识精度高,推广性能好的优点,从而验证了该方法的正确性和有效性。     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于支持向量机的CSTR系统建模

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为CSTR系统建立模型,分析了模型参数对模型性能的影响,同时,通过两个参数在不同值之间两两组合比较所得的误差,最终得到误差最小的参数值,从而使模型能够自动调整参数到最优值。实验结果表明支持向量机方法是一种高效可行的化工过程建模方法,模型精确,泛化能力强,性能优良。     

基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

利用支持向量机的摩擦模型参数辨识

以Tustin摩擦模型为参数辨识对象,提出一种基于支持向量机算法的摩擦模型参数辨识的方法.构建训练样本并选取适当的支持向量机模型,选择具有较好泛化能力的径向基核函数和具有稀疏性特点的ε不敏感损失函数,以求解最优化问题,得到最优解.以某直流电机高精度位置伺服系统为对象,用辨识得到的参数估计值设计摩擦力矩的补偿环节,对系统进行补偿,仿真结果表明,算法的辨识精度比较高.     

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题，讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理，提出了一种简化算法．针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足，简化算法不需计算梯度，而是利用固定的迭代步长来实现核函数一个参数的优化．依据简化算法实现了二分类故障分类器的参数优化，并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中．测试结果表明，通过参数优化可提高故障分类器的分类能力．     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

关于支持向量机参数选择方法分析

在分析支持向量机(SVM)原理基础上,分析了SVM中核函数、核参数及惩罚参数C的影响。介绍了两种SVM参数选择方法,作了深入比较,并提出了一种改进的最优化方法。     

基于遗传算法寻优的支持向量机图像插值方法

锯齿波、边缘模糊是影响图像质量的重要因素,为了有效提高图像质量,提出了一种优化支持向量机图像插值方法.先将遗传算法应用到支持向量机的参数寻优,将使用最优参数的支持向量机结合图像相关性对图像插值.算法根据图像相关性选择适当的相邻点作为输入模式训练支持向量机,用训练好的支持向量机及输入模式估计出待插值点的像素值.仿真结果表明,与已有算法相比,该算法获得图像的RPSN值、NMSE值、MSE等指标均有明显改善,且视觉效果有显著提高.     

基于支持向量机和粒子群算法的励磁系统频域辨识

针对励磁系统参数实测及建模问题,提出了采用支持向量机和粒子群算法进行励磁系统参数频域辨识的方法.先用支持向量机方法来提取特征样本,然后采用粒子群算法和这些少量的特征样本对励磁系统进行参数辨识.用支持向量机筛选出的特征样本一方面可以减少粒子群算法的计算时间,另一方面还可以提高模型的辨识精度.实际算例表明粒子群算法用于频域辨识时实现过程简单,对简单模型和复杂模型都可以得到较好的辨识效果.     

基于支持向量机回归的曲线拟合

在科学实验研究中,经常需要实验的观测数据,来寻求两个物理量之间近似的解析函数关系和曲线方程,这就是人们常说的数据拟合或曲线拟合,而且经常要从这些已知数据中总结规律,用以预报未知。本文引入支持向量机作为背景进行曲线拟合。此法能满足在小样本情况研究统计学习规律的理论,通过引入结构风险最小化准则来控制学习机器的容量,从而刻画了过度拟合与泛化能力之间的关系。     

基于蝙蝠算法的支持向量机参数优化

目的针对支持向量机(support vector machine,SVM)的参数选择的重要性,研究一种新的参数优化方法。方法介于蝙蝠算法的模型简单、全局搜索能力强等特点。本文提出基于蝙蝠算法(BA)的SVM参数优化方法,对SVM的惩罚参数和核参数进行优化。结果通过8个UCI标准数据库集的Matlab仿真实验,验证了算法的有效性和可靠性。结论本文方法搜索的最优参数较大地提高了SVM的分类精度,加强了SVM的学习和泛化能力,是一种有效及稳定的支持向量机参数优化方法。     

基于GEP的支持向量机参数优化

支持向量机(SVM)具有优良的学习能力和推广能力,然而其性能依赖于参数的选取.本文对影响模型分类能力的相关参数(C、σ2)进行了研究,提出了一种基于基因表达式编程(Gene Expression Programming,GEP)的支持向量机参数选择算法,即根据参数在分类器中的作用,利用GEP优化参数的两种编码方案分别对C与σ2进行编码,期望改进支持向量机的分类精度和泛化能力.最后实验表明了本文算法的有效性.     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

基于优化支持向量机的非线性时变灌浆过程建模

通过利用灌浆过程中的监测数据建立灌浆过程的数学模型,解决机理模型或参数辨识模型不能很好地适应地层和裂隙变化的问题.首先以灌浆管道中流体为对象,依据压力平衡和质量守恒定律来定性分析参数的影响关系,提取孔口压力与注入流量作为反映灌浆过程变化的主要特征参量;然后描述支持向量机建模的基本原理,并研究模型参数优化求取方法,提出嵌...     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.