基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

最小二乘支向量机在焊缝跟踪中的应用

为了克服传统焊缝跟踪方法精度低等问题,采用最小二乘支持向量回归机( LSSVM)进行焊缝跟踪.最小二乘支持向量机通过构造回归函数解决焊缝跟踪问题.与支持向量机不同的是,最小二乘支持向量机通过构造一个新二次损失函数,将支持向量回归机的二次规划问题转变为求解线性方程,从而改进了原支持向量机的跟踪精度.为验证所设计控制器的有效性,进行了焊缝的跟踪实验,并设计了实验条件;实验结果表明基于LSSVM的焊缝跟踪误差小于径向基(RBF)神经网络,可见采用LSSVM的控制更能够适应实际焊接过程的变化.     

基于递归神经网络的LS-SVM硬件实现与实验研究

在标准支持向量机(SVM)学习神经网络的基础上,将最小二乘支持向量机(LS-SVM)与递归神经网络相结合, 提出一种新的最小二乘支持向量机学习神经网络.该网络直接采用Lagrange乘子进行训练,消除了标准SVM神经网络中的线性部分,可用于进行分类和回归学习.并且其拓扑结构更适合于用简单的硬件模拟电路实现.对两种网络的稳定性进行了证明,并设计了相应的硬件电路,最后通过Simulink、Pspice仿真和硬件电路实验证明了所提出的方法是有效的.     

板形模式识别的多输出最小二乘支持向量回归机新方法

为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,
结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。
     

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中,利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化,首先根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,不但很好地避免温度测点的相互影响,保证模型精度,而且节约了硬件成本,提高了辨识建模速度。     

最小二乘支持向量机在U71Mn高锰钢表面粗糙度预测模型中的运用

获取了U71Mn高锰钢在特定主轴转速n、进给量f、铣削深度ap、铣削宽度ae加工条件下的表面粗糙度Ra的原始数据。基于留出法原则将原始数据依次随机分为两组,一组为训练集用于训练U71Mn高锰钢的预测模型;另一组数据为验证集用于验证模型,并且通过机器学习性能评价指标来确定模型的最终预测精确率。通过实际建模对比发现最小二乘支持向量机预测模型其拟合以及预测精度明显高于传统多元线性回归模型。最小二乘支持向量机(LSSVM)通过对原支持向量机算法(SVM)进行了算法改进,在算法中把原求解Lagrange乘子α不等式约束的二次规划(QP)问题,转化为等式约束即求解线性方程组,显著减少了计算机运算的时间复杂度。并且通过寻求结构化风险最小提高了学习机的泛化能力,在观测样本数量较小的情况下,容易实现经验风险和置信范围的最小化,使模型对未知样本有良好的鲁棒性与预测精度。     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘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、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.