基于支持向量机技术的智能工序诊断研究

统计过程控制图的分析与识别是智能工序质量控制（IPQC）的一个重要研究领域,文章提出了一种基于支持向量机的工序模式分析与识别新方法,仿真结果表明该方法对样本无特殊要求且识别速度快,适合用于自动工序的实时智能控制.     

基于支持向量机的电容式压力传感器建模方法

将支持向量机(SVM)引入传感器建模研究中,这里,SVM作为校正误差的一个逆模型.SVM有效地解决了小样本学习问题,因此,该方法对试验数据无特殊要求.最后,电容式压力传感器(CPS)建模试验结果证明了该方法的可行性和高效性.     

基于支持向量机的传感器动态建模方法

传感器动态建模是测量领域的重要研究方向,本文介绍了一种基于支持向量机的传感器动态建模新方法.支持向量机是基于统计学习理论的新一代机器学习技术,它有效地解决了小样本学习问题,因此该方法对样本数量没有特殊的要求.最后,实验证明了该动态建模方法有效.     

基于隶属度模糊最小二乘支持向量机的工序能力预测

提出了一种基于隶属度模糊最小二乘支持向量机（FLS-SVM）的时间序列预测新方法。一方面,该方法较好地解决了小样本学习问题,避免了人工神经网等智能方法在对小批量生产工序能力进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,由于对于历史数据实行的重近轻远的原则,使得该方法预测精度高且容易实现。实验表明,该方法具有很好的有效性与实用性。     

一种燃煤质量的综合预测方法

建立了一种新的基于多元线性回归与最小二乘支持向量机(LS-SVM)的燃煤发热量综合预测模型,并给出了建模步骤和具体算法.考虑到燃煤实际发热量与其工业分析组成(水分、灰分和挥发分) 之间的关系,由初步预测子模型和误差修正子模型构成综合模型.用煤样实测发热量与其工业分析组成的原始数据构造训练样本集,用多元线性回归算法对发热量进行初步预测,用LS-SVM修正子模型获得误差补偿量.综合模型最终的预测值为初步预测子模型的输出值加上误差补偿量.实际预测结果表明,这种综合预测方法耗时少,预测效果优于常用方法,具有一定的应用价值.     

基于SVM的传感器非线性特性校正新方法

介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术，它有效地解决了小样本学习问题，因此该方法对样本数量没有特殊的要求。实验证明该方法有效，同时研究表明该方法也能用于其他系统的非线性校正。     

基于最小二乘支持向量机的传感器非线性动态补偿

提出了一种基于最小二乘支持向量机的非线性传感器动态测量误差的校正方法，使得通过该方法补偿的传感器具有理想的输入输出特性。先将传感器的非线性动态系统分解成线性动态子环节和非线性静态子环节串联；与之对应，非线性动态补偿过程也包含2个阶段：线性动态补偿和非线性静态校正。然后，通过函数展开将补偿器的非线性传递函数转换为等价的类线性形式一中间模型；再通过LS-SVM回归算法求取中间模型参数；最后，推导出中间模型参数与补偿器2个子模型参数之间的关系，并通过该关系实现非线性静态校正和线性动态补偿环节的同时辨识。与常规非线性动态补偿方法比较，该方法优点是明显的：（1）只需进行一次动态标定实验；（2）能给出非线性动态补偿器的数学解析表达式；（3）充分利用LS—SVM的优点，使辨识的补偿器具有更好的抗干扰能力。仿真与实际实验结果均表明该传感器非线性动态补偿方法有效。     

适应智能质量控制的多分类支持向量机

分析了现有控制图识别器在实际应用中存在的缺陷，并提出了一种基于支持向量机(SVM)的新方法．为了克服HAH多分类SVM(HAH SVM)的缺陷，提高识别速度和准确率，设计了一种有针对性的SVM多分类器进行模式识别．仿真实验结果表明，该方法相对现有的BP和HAH SVM方法能得到更高的识别率和识别速度，适合于工序的实时在线控制．     

一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的特征提取新方法,并将其成功应用到智能质量控制领域。首先,将线性特征提取公式表达成与LS-SVM回归算法中相同的形式;再遵循SVM方法将数据集由原输入空间映射到高维特征空间,进而使用该技巧通过线性形式实现非线性特征提取。然后,用常规控制图提取出一个含有6种模式、50维特征的仿真数据集用于测试,通过LS-SVM特征提取后,原数据集的特征被降到了3维并保留了原80%的分类信息。最后,用BP分类器对特征提取后的样本进行识别,其结果优于新型RSFM网络直接对原始样本进行识别的效果。仿真实验结果表明了LS-SVM特征提取方法的可行性和有效性。     

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机（LS—SVM）构造函数链接型神经网络（FLANN）逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS—SVM—FLANN方法辨识得到。实验结果表明,LS—SVM—FLANN辨识逆系统模型的速度是BP—FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10％。用LS—SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。