基于改进粒子群优化SVM的通风机故障诊断

针对支持向量机在故障诊断中参数的选取问题,提出一种改进的粒子群优化算法,对支持向量机的惩罚因子与核参数进行优化。为了克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷,提出一种惯性权重自适应调整的粒子群优化算法,建立基于粒子群和支持向量的通风机故障诊断模型,通过样本数据对模型进行训练与测试,实现了通风机故障的识别,结果表明该模型对通风机故障的诊断是可靠的。     

基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。     

孪生支持向量机在滚动轴承振动故障诊断中的应用

通过对滚动轴承振动信号进行定量分析,从振动故障信号中提取与故障诊断方法有关的故障特征,在传统支持向量机的基础上,研究孪生支持向量机的建模方法,建立基于孪生支持向量机的滚动轴承振动故障诊断模型,并结合粒子群优化算法对故障诊断模型的关键参数进行寻优,从而得到最佳的故障诊断模型。仿真结果表明,将孪生支持向量机建模方法应用于滚动轴承振动故障诊断中,能够取得较好的诊断效果和诊断效率,结合粒子群优化算法进一步提高了故障诊断模型的分类准确率,为滚动轴承的振动故障诊断提供了可行有效的思路。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于PSO-SVM的矿用自卸车举升液压系统故障诊断

针对矿用自卸车举升液压系统故障诊断困难的问题,采用一种基于粒子群优化支持向量机的方法对其进行研究。该方法利用粒子群优化算法,对支持向量机参数寻优,从而得到具有最佳分类结果的支持向量机模型。利用AMESim软件建立举升液压系统的仿真模型,并通过模拟溢流阀故障、举升液压缸内泄漏、泵内泄漏3种故障工况,提取故障数据,对该方法进行验证。仿真结果表明,该方法能有效对矿用自卸车举升液压系统这3种故障进行诊断。     

量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足，提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题，先利用网格搜索法粗略寻优确定参数范围，然后利用粒子群二次寻优。利用该模型对边坡实例预测，39个实例样本中，30个为训练样本，剩下9个作为预测样本，以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入，边坡稳定性状态作为输出，预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明，GS-PSO-SVM模型分类准确率100%，有更好地预测精度和更高的预测效率，该模型能有效的对边坡稳定性状态预测。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

基于PSO-SVM模型的旋转机械故障诊断研究

将支持向量机理论引入振动机械故障诊断中,提出了新的故障诊断模型—PSO-SVM模型,并采用粒子群优化算法对支持向量机的参数进行优化,使得故障诊断结果更加准确。通过实例中的样本数据进行新模型的训练与测试,将其结果与传统神经网络相比,证明其模型具有更高的准确性。     

基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价

为解决煤层底板突水预测难题,提出了基于主成分分析、模糊数学、粒子群算法以及支持向量机分类的底板突水危险性评价模型,模型以支持向量机分类为基础,通过主成分分析将多种影响底板突水的因子归纳为构造主成分、水文地质主成分、煤层信息主成分及开采条件主成分,其中构造主成分及水文地质主成分为影响底板是否突水的最主要控制因素,模糊化主成分因子,利用粒子群算法优化支持向量机分类参数,根据已有数据资料建立了评价模型,并将该模型应用于实际中,得到了准确的预测结果,为底板突水危险性评价提供了一种新的方法。     

动态权重差异演化PSO优化PID算法在带钢对中控制系统中的应用

以带钢冷连轧对中控制系统为研究对象, 通过分析比较ZN法、遗传算法、标准粒子群优化算法(PSO)以及改进型粒子群优化算法(MPSO)来优化PID控制算法优劣, 最终确定动态权重差异演化的粒子群(MPSO)优化PID控制算法最优, 从而设计了MPSO-PID控制器, 结果表明其能达到系统预期精度要求, 能使系统更快速、更稳定地运行。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

基于最小二乘支持向量机的动力配煤着火特性预测模型

将最小二乘支持向量机建模方法引入到动力配煤着火特性的分析建模中,针对配煤指标中计算困难的着火温度指标建立了最小二乘支持向量机模型,一方面克服了神经网络算法的过拟合、泛化能力弱等缺点;另一方面提高了求解过程的计算速度。采用微粒群算法(PSO)对模型参数进行优化,模型留一验证得到预测均方误差为8.60,相关系数为0.93,对65个样本进行预测分析,得到较高的预测精度。因此采用最小二乘支持向量机方法可以实现较精确的配煤着火温度预测。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

A Nonlinear Risk Evaluation Method for Water Inrush Through the Seam Floor

A risk evaluation method based on principal component analysis, fuzzy mathematics, particle swarm optimization, and support vector classification, is proposed due to the limitations of the water inrush coefficient method. The many factors that influence coal floor water inrush were categorized as structural, hydrogeological, coal seam occurrence and mining condition principal components, according to principal component analysis, among which the structural and mining condition components were the most important. The principal component factors were then fuzzified. Finally, an evaluation method was established, with the parameters of the supporting vector classification optimized through the particle swarm algorithm. The validity of the method was demonstrated by comparing its predictions with actual conditions at ten coal seam mining faces.