基于多尺度核函数的铆接件腐蚀疲劳预测

目前腐蚀疲劳破坏预测方法精度不高.提出基于小波多分辨分析法(MRA),在再生核希尔伯特空间构建一种多尺度核函数的最小二乘支持向量机(multi-scale kernel LSSVM,MSK_LSSVM)预测算法.根据Mercer平移不变核定理,构造了多尺度复Gaussian小波核函数.由于多尺度核函数能够通过平移生成L2(R2)子空间的一组完备基,因此MSK_LSSVM可以任意逼近目标函数,更具灵活性.经仿真实验验证,与BP神经网络方法、标准支持向量机、灰色系统预测模型方法对比,机械结构中铆接件腐蚀变化的趋势通过MSK_LSSVM预测,准确率高、时间短.     

动车组LSSVM建模与速度跟踪控制

动车组运行环境复杂多变、运行过程中空气阻力对动车组运行性能有较大影响,基于线性模型的动车组运行控制策略难以满足高精度跟踪给定速度-位移曲线要求。提出一种动车组非线性模型描述及其运行速度控制方法。首先,基于动车组牵引特性和系统运行数据,建立了动车组LSSVM非线性模型;给出了基于LSSVM模型的动车组运行速度控制方法。基于CRH380AL型动车组运行数据的仿真结果验证了该方法的有效性。     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于STA-LSSVM的槽电压优化方法

针对铝电解过程中,槽电压的参数调节主要采用“试探法”、过于依赖技术员、耗时长等问题,提出了一种基于状态转移算法(State Transition Algorithm, STA)的槽电压优化方法。首先,采用灰色关联度分析方法确定槽电压模型的输入变量;然后,基于改进的最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)建立槽电压软测量模型;最后,采用状态转移算法对槽电压优化控制模型进行实验,获得槽电压优化值和一组优化操作参数。结果表明,建立的槽电压软测量模型具有较高的预测精度,STA算法可寻到3.819 7 V的优化槽电压值,相较于优化前降低了115.8 mV,每吨铝直流电耗降低了363 kW·h,实现了槽电压的优化控制,达到了较好的节能降耗目的。     

无人直升机尾桨轴承超声信号故障映射模型

无人直升机被广泛应用于军事民用领域中执行高危任务,对其进行健康维护具有重要意义。尾桨轴承是无人直升机尾桨的关键零件,关系到无人直升机的平衡与航向控制。传统基于振动信号的监测诊断方法易受环境噪音干扰,诊断算法也易受噪声混叠影响。为解决以上问题,提出了一种基于超声信号的无人机尾桨轴承故障映射模型。首先,采集轴承不同故障状态下的超声信号。然后,利用自适应噪声完备集合经验模态分解(CEEMDAN)算法将信号分解,对分解后的信号分量计算各类熵值并融合构造特征向量。最后,将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型,实现故障诊断。该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。     

基于LS-SVM的不确定非线性系统滑模控制

针对滑模控制中不确定上界值的问题,提出了一种基于LSSVM自适应上界学习的滑模控制方法.首先将系统分为确定部分和不确定部分,对确定部分采用状态反馈法进行控制,对不确定系统部分采用最小二乘支持向量机( LSSVM)来完成.该控制器不仅可以保证非线性不确定系统渐近稳定,降低一般滑模控制理论分析的条件,还有效地抑制了抖振.仿...     

基于双相干谱的减压阀故障诊断

双谱包含了信号的非对称、非线性信息,可以用来描述非线性相位耦合,尤其是二次相位耦合;双相干函数可以定量估计二次相位耦合的耦合程度;正常信号和故障信号的双相干谱呈现了不同的波峰特性;二维小波多级分解能在提取信号频率信息的基础上,有效对二维数组信息进行压缩;最小二乘支持向量机可以在有限样本下得到全局最优,从而避免局部最优问题,且具有降低计算复杂度的优点;实验中由获得的26组实验数据,利用二维小波多级分解对双相干谱进行特征提取,并输入LSSVM对减压阀进行故障诊断,取得了正确率接近90%的良好效果。     

基于LSSVM的VVP推力系数预报

针对神经网络存在结构较难确定、训练易陷入局部最优以及容易过学习等问题和标准SVM训练速度较慢等问题,提出最小二乘支持向量机算法,最小二乘支持向量机算法(LS-SVM)具有比其他非线性函数逼近方法具有更强的泛化能力;并且LS-SVM采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.将最小二乘支持...     

基于改进PSO算法的LSSVM入侵检测模型

在基本PSO算法和线性权重下降PSO算法的基础上,提出一种并行PSO算法,将粒子群分成两组,分别采用不同的惯性权重,各侧重于全局搜索和局部搜索,根据进化代数动态调整两种算法中进化的粒子数。通过仿真实验,证明了并行PSO算法的寻优性能优于基本PSO算法和线性权重下降PSO算法。     

基于遗传算法和LSSVM的网络安全事件发生频率预测

网络安全事件发生频率是非线性变化的,传统时序预测方法难以处理;样本数量少时,人工神经网络等方法预测精度也难以保证。最小二乘支持向量机（LSSVM）是一种基于统计学习理论的机器学习方法,能非常好地解决小样本、非线性问题。本文将LSSVM应用于网络安全事件发生频率的预测,为了达到最佳预测效果,使用一种改进的遗传算法对模型参数进行优化。通过实验验证,改进的遗传算法较简单遗传算法收敛更快,优化效率更高,优化后的模型能够达到良好的预测效果。