基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。     

最小二乘支持向量机的扩展及其在时间序列预测中的应用

根据时间序列近期数据较远期数据包含有更多未来信息的思想,对最小二乘支持向量机预测方法进行了扩展,得到了更具一般性的最小二乘支持向量机预测模型,给出了扩展后的预测模型具体算法。两个时间序列的预测实例表明,扩展后的预测方法获得了更好的预测效果,提升了最小二乘支持向量机预测方法的价值。     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。     

移动最小二乘支持向量机

基于移动最小二乘逐点逼近思想,移动权被引入到最小二乘支持向量机的误差变量中,得到新算法的模型.此外,证明了用移动最小二乘支持向量机作函数估计与在特征空间中用移动最小二乘法得到的解是一致的,揭示了移动最小二乘支持向量机所选择的核函数相当于移动最小二乘法所选择基函数组.数值试验与实例进一步验证所提出方法的优越性.     

基于LS-SVM的某型装备保障性能评估研究

针对军事油料装备保障性能指标参数多样性、变化性的特点,研究了新型支持向量机算法--最小二乘支持向量机,并设计了基于多元分类的最小二乘支持向量机;建立了装备保障性能评估的最小二乘支持向量机决策模型;以某型油料装备为例,运用模型确立的保障性能评估指标体系和支持矢量学习决策模式,对其保障性能进行了评估.该研究结果对于优化提高装备保障性能,增强装备保障能力具有重要现实意义.     

基于自适应递推LSSVM的硅锰合金成分在线预测

针对硅锰合金埋弧熔炼过程的特点,提出了一种基于自适应递推最小二乘支持向量机(ARLSSVM)的合金成分在线预测模型.该模型以实测工况参数为数据集,当新增一个样本时,分别采用增长记忆递推算法、限定记忆递推算法和缩减记忆递推算法训练最小二乘支持向量机( LSSVM),有效避免高维矩阵的求逆,加快模型更新的速度.然后通过自适...     

冷壁面霜层生长的支持向量机模型

针对结霜过程因具有明显的非线性特征,采用传统方法难以精确预测的问题。建立了基于支持向量机的冷壁面霜成生长的预测模型,应用实验数据对模型进行验证、评估,并与基于最小二乘法的非线性多元回归模型进行了对比、分析。结果表明,基于支持向量机的预测模型能够很好的解决非线性预测问题。在已建立的预测模型基础上,以霜层生长过程中传热率预测为例,分别在测试集中的自变量与因变量加入不同噪声信号对模型预测性能影响进行了研究。结果表明,基于支持向量机的模型具有良好的抗干扰能力。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测

为更好地表征滚动轴承性能退化趋势,提出基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测新方法。提取振动信号的多域特征组成高维特征集,利用局部保持投影算法(LPP)对多域高维特征集进行维数约简,消除各特征指标之间的冗余、冲突等问题。将维数约简后的特征向量作为最小二乘支持向量机的输入,建立退化趋势预测模型,完成退化趋势预测。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能获得准确的预测结果。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

气动肌肉的最小二乘支持向量机迟滞模型

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。     

基于PSO优化LS-SVM算法的水电站厂房结构振动响应预测

振动问题是攸关水电站运行安全的重要课题。水电站厂房结构振动主要由水力、机械和电气三大类振源引起,厂房结构与机组之间存在非线性的耦联振动关系。本文依据二滩水电站地下厂房和机组的原型观测数据,首先对机组和厂房结构振动的相关性进行了分析,据此建立了基于粒子群优化最小二乘支持向量机算法的厂房振动响应预测模型,预测结果与实测资料吻合。在此基础上,本文将运行水头作为输入因子引入到智能预测模型中,扩大了该智能预测模型的适用范围,取得了很好的效果。     

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。     

振动信号中的HHT/EMD端点延拓方法研究

针对振动信号中Hilbert-Huang变换的端点效应问题,结合端点效应产生机理和现有研究成果,提出基于时间尺度的LS-SVM端点延拓的抑制端点效应新方法。首先利用LS-SVM回归特性和一种自适应预测法分别对信号极值点的幅值和时间点进行预测延拓,然后对预测的极值信息进行埃尔米特插值,完成对原信号的延拓。利用仿真信号和实测航空发动机振动信号进行分析验证,表明该方法可同时有效抑制两种端点效应,并具有预测精度高、有效延拓距离长、速度快的特点。     

Effective Thermal Conductivity Modeling of Sandstones: SVM Framework Analysis

Among the most significant physical characteristics of porous media, the effective thermal conductivity (ETC) is used for estimating the thermal enhanced oil recovery process efficiency, hydrocarbon reservoir thermal design, and numerical simulation. This paper reports the implementation of an innovative least square support vector machine (LS-SVM) algorithm for the development of enhanced model capable of predicting the ETCs of dry sandstones. By means of several statistical parameters, the validity of the presented model was evaluated. The prediction of the developed model for determining the ETCs of dry sandstones was in excellent agreement with the reported data with a coefficient of determination value (\({R}^{2})\) of 0.983 and an average absolute relative deviation of 0.35 %. Results from present research show that the proposed LS-SVM model is robust, reliable, and efficient in calculating the ETCs of sandstones.     

Structural damage diagnosis using incomplete static responses and LS-SVM

This paper presents novel approach to structural damage detection and estimation using incomplete static responses of a damaged structure and least squares support vector machine (LS-SVM). The presented method is based on the reduced stiffness matrix to formulate incomplete static responses as input parameters to the LS-SVM. The presented method is applied to a plane steel bridge, a four-span continuous beam and four-storey plane frame containing several damages. Also, the effect of the discrepancy in stiffness between the finite element model and the actual tested system has been investigated. The results show that the presented method is sensitive to the location and severity of the structural damage in spite of the incomplete noisy data and modelling errors.