基于支持向量机的生物发酵过程软测量建模

针对最小二乘向量机的缺陷,提出了一种改进的最小二乘支持向量机回归方法.根据输入变量和样本点间欧氏距离的大小,去除回归模型中大部分的样本点,从而获得回归模型的“稀疏”特性,大大提高计算速度.同时,将这一方法应用于生物发酵过程,建立了青霉素发酵过程中产物浓度的软测量模型,实现了青霉素浓度的在线预估.仿真结果表明,这一方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段.     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

基于支持向量机的出水TP软测量

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法,本文根据活性污泥法工艺中反应出水水质的重要参数TP(总磷)难于在线测量的情况,采用SVM方法建模,并采用粗糙集理论(RS)和主元分析法(PCA)进行数据的预处理。用某城市污水处理厂的实际水质参数数据,建立了出水TP基于SVM的软测量模型。和未经预处理的支持向量机进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,经粗糙集预处理数据后,不仅测量的误差值更小,而且大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

基于支持向量机的数据建模在软测量建模中的应用

支持向量机是一种新的机器学习算法 ,它的基础是 Vapnik创建的统计学习理论。与传统学习方法相比 ,该理论采用了结构风险最小化准则 ,在最小化样本点误差的同时缩小模型泛化误差的上界 ,提高了模型的泛化能力。同时该理论把机器学习问题转化为一个二次规划问题 ,可以得到唯一的全局最优解。本文应用支持向量机技术进行数据建模研究 ,并用数据建模技术建立了加氢裂化装置分馏塔的航煤干点的软测量模型。     

基于支持向量机的曝气池SVI软测量研究

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法。活性污泥法工艺中反应出水水质的重要参数(曝气池SVI)难于在线测量,为此用某城市污水处理厂的实际水质参数数据,采用粗糙集理论(RS)和主元分析(PCA)进行数据的预处理,建立了基于SVM的曝气池SVI软测量模型,并进行了比较。综合考虑后,选择RS-PCA-SVM模型。结果表明,经粗糙集和主元分析预处理数据后,大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.     

基于支持向量机与RBF神经网络的软测量模型比较研究

给出了基于支持向量机(SVMs)和RBF神经网络的软测量建模方法.通过对这两种方法进行理论分析和仿真比较研究,结果表明,SVMs方法跟踪性能好、泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的软测量建模具有更好的推广能力.     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

鲁棒最小二乘支持向量机及其在软测量中的应用

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时,稀疏化模型鲁棒性差的问题,提出了一种基于模糊C均值聚类和密度加权的稀疏化方法.首先通过模糊C均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度,依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度,继续从各个子集中增选支持向量,直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明,该方法能够兼顾模型在整体样本集和各工况子集上的性能,在实现模型稀疏化的同时,能够显著改善最小二乘支持向量机模型的鲁棒性.     

Support Vector Machine Ensemble Based on Genetic Algorithm

Support vector machines （SVMs） have been introduced as effective methods for solving classification problems. However, due to some limitations in practical applications, their generalization performance is sometimes far from the expected level. Therefore, it is meaningful to study SVM ensemble learning. In this paper, a novel genetic algorithm based ensemble learning method, namely Direct Genetic Ensemble （DGE）, is proposed. DGE adopts the predictive accuracy of ensemble as the fitness function and searches a good ensemble from the ensemble space. In essence, DGE is also a selective ensemble learning method because the base classifiers of the ensemble are selected according to the solution of genetic algorithm. In comparison with other ensemble learning methods, DGE works on a higher level and is more direct. Different strategies of constructing diverse base classifiers can be utilized in DGE. Experimental results show that SVM ensembles constructed by DGE can achieve better performance than single SVMs, hagged and boosted SVM ensembles. In addition, some valuable conclusions are obtained.     

一种快速支持向量机分类算法

提出了一种提高分类速度的快速支持向量机分类算法,利用核函数矩阵的行向量集中的极大线性无关向量组采用变换的方式,用少量的支持向量代替全部支持向量进行分类计算,在保证分类精度的前提下使得分类速度有较大提高.     

一种适用于信息检索的支持向量机

针对基于内容的信息检索中负样本抽样效率低的问题，设计了1．5类支持向量分类器．在训练过程中利用正样本对分类线建立初始模型，在保证总体泛化能力的基础上，用所能获得的负样本修正分类线，以提高其检测精度；通过对比标准序列最小优化方法，得到快速训练算法．在美国邮政数据库(USPS数据库)与麻省理工大学人脸数据库(CBCL数据库)上的实验结果表明，与传统的支持向量分类器相比，这种方法能取得更高的检测精度．     

基于遗传编程和支持向量机的故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型．该模型利用遗传编程对传统的时域指标进行特征选择和提取，得到更能反映信号本质的特征，与其他特征组合后作为识别特征输入多类支持向量机，实现了对机器不同类型故障的识别．实验结果表明，同传统时域指标相比，经过遗传编程选择和提取的特征对轴承的故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性．     

基于支持向量机的多类数字调制方式自动识别算法

为了解决软件无线电系统中多种调制方式之间切换的问题，提出了一种基于支持向量机的多类数字调制方式识别算法．该算法通过提取有效的特征向量以区分不同的调制方式，并基于支持向量机和判决树分类思想，将特征向量映射到高维空间中加以分类。解决了样本在低维空间中的非线性不可分问题，避免了判决门限的确定，与传统的神经网络方法相比，具有更好的泛化推广能力．仿真结果表明，在具有加性带限高斯噪声的环境下，信噪比大于等于10dB时，识别正确率大于90％．     

支持向量机理论及其应用

作为当前国际机器学习前沿热点的支持向量机是一种新型的机器学习算法，具有卓越的学习效果。文中分析了该方法的核心思想及常用训练算法，并给出其具体应用。     

基于多输出支持向量机和遗传算法的岩土参数反演方法

提出了基于多输出支持向量机(M-SVM)和遗传算法(GA)的岩土参数反演方法.在进行参数反演过程中,根据正交试验产生一系列参数的可能组合;采用有限元法(FEM)得到坝体不同测点处的位移计算值.将不同的材料参数组合作为输入,相应的位移计算值作为模型的输出来训练M-SVM模型,以便模拟坝体位移和材料参数之间的复杂关系.采用GA来求解材料参数反演所对应的优化问题.在进行最优材料参数搜索的过程中,采用训练好的M-SVM模型来替代有限元计算,以获得坝体位移的计算值,从而大大减少了计算所需的时间.根据某面板堆石坝沉降的监测数据和有限元仿真模型,实现了以上反演过程.反演分析的结果表明,本文提出的岩土参数反演方法具有计算精度高和计算效率高等优点,可以应用于实际工程中.