基于混合核极限学习机的多标签学习研究

为了获得更优算法,将加入混合核的极限学习机算法应用于多标签学习中。首先在极限学习机算法中通过混合核函数将特征映射到高维空间,然后对原标签空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标签情况。     

基于插值组合核的LS-SVR板形预测方法

基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

基于LS-SVM苯乳酸发酵过程的建模

为了解决苯乳酸发酵过程中关键生物参数难以直接在线检测的问题,提出了基于最小二乘支持向量机（LS-SVM）的软测量建模方法. 通过使用径向基核函数来对菌体浓度、苯乳酸浓度建立模型,对建模的理论进行了分析和并进行了仿真研究,同时还采用支持向量机对过程进行了建模,对两种方法的优缺点进行了比较. 结果表明,基于LS-SVM的建模方法预测精度高、跟踪性能好,能提高在线预估的效率,非常适合于苯乳酸发酵过程的在线预估.     

一种新的自适应组合核函数

核选择是支持向量机研究中的核心问题之一,不同的核函数将产生不同的分类效果.研究了核参数和误差惩罚参数对支持向量机推广能力的影响,然后根据局部核函数与全局核函数的各自优点,提出了一种新的自适应组合核函数,并将该核函数应用于支持向量机中.最后,利用该自适应核进行不同领域数据的实验,实验结果表明由该核函数建立的支持向量机具有更好的预测能力.     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

基于Gauss核函数和规范群分类算法的混合支撑向量机

对高斯核函数支撑向量机受参数仃影响较大的缺陷，提出了一种基于规范群算法的混合分类算法——基于规范群的混合支撑向量机，通过仿真结果表明了该算法的正确性和有效性．     

基于组合核函数的高校经济困难生分类

为进一步提高高校资助工作的精准度,构建基于组合核函数的支持向量机(SVM)高校经济困难生分类模型。根据在校生的消费数据、人员信息及历史资助信息抽取样本特征,利用径向基(RBF)核函数的局部拟合能力及多项式核函数的泛化能力,构建基于RBF核函数及多项式核函数的组合核函数SVM分类模型;采用多重网格搜索法训练模型获取最优核参数和组合核函数的权系数,并对高校经济困难生进行分类预测。实验结果表明:采用构建的模型可对高校经济困难生进行分类预测,与单核核函数SVM、逻辑回归模型、最近邻算法(KNN)相比,其分类准确率显著提升;使用融合特征可增加不同类别样本数据的差异性,有助于提高分类准确率。     

H~2[a,b]空间中再生核函数的构造

首先借助Green函数和线性变换基本定理构造出H2[a,b]空间的子空间的再生核函数,然后利用再生核函数的和运算给出H2[a,b]空间中的再生核函数.并得到该空间中的再生核函数特有的性质.     

一种复合KPCA故障诊断模型

核函数主元分析(KPCA)故障诊断方法中核函数的具体形式对诊断性能的影响非常大.针对核函数具体形式选取问题,基于径向基高斯核函数和一类特定多项式核函数,构造出一种新的复合核函数模型.对模型的构造方法进行了论述,给出了具体的故障诊断算法的实现步骤.该模型在兼顾全局信息提取的前提下,保证了局部灵敏度,具有很好的拟合能力.通过与其他算法仿真比较表明所提出方法不但可以避免对模型的事先假设,且具有较高的故障诊断效率.     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型. 利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机. 基于Spark并行化参数寻优算法,提高模型的训练效率. 提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机（SPGAPSO-CKRVM）. 使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数：平均车速、路段饱和度和交通流密度. 将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级. 使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.     

一种基于自适应KLMS的卫星网络流量预测算法

针对传统预测模型已不再适用于卫星网络的问题,提出了一种自适应步长和自适应核宽度的核最小均方算法（AKLMS）.通过核函数将非线性数据从低维输入空间映射到高维特征空间进行操作,并且在迭代过程中根据瞬时误差自适应地调整步长和核宽度.仿真结果证明,与核最小均方算法（KLMS）和最小均方算法（LMS）相比,AKLMS算法在收敛速度和预测流量精度方面都有大幅提升,为卫星网络的流量规划和路由设计提供了强有力的决策支持.     

基于多向核熵偏最小二乘的间歇过程监测及质量预测

针对间歇过程数据的批次不等长和强非线性的特点,结合核偏最小二乘和核熵分析,提出了多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)的过程监测及质量预测方法.该方法将三维历史数据沿新的展开方式展开,克服了批次不等长和数据缺失的问题,通过核映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转换,解决了数据的非线性特性;根据核熵的大小将特征值和特征向量进行排序并对数据进行降维,弥补了MKPLS方法只按照数据特征值的最大化进行降维的不足.同时,引入核特征提取算法降低核空间的计算量,使其能够在线应用.数值实例和实际工业过程数据的验证效果表明:MKEPLS方法不仅能对故障进行有效监控,提高故障的报警率,同时还能对最终产品质量进行预测.     

组合核RVM与EEMD信息熵的机械设备可靠度评估与预测

机械设备的运行可靠度反映的是机械设备在预期服役环境中正常工作的能力,传统的机械设备运行可靠度评估方法通常是建立在大量历史样本信息的基础上,然而针对没有历史样本信息的机械设备,传统方法难以对机械设备的实际运行状态进行准确评估,也很难对其未来的性能退化趋势进行有效预测。为此,提出通过构建归一化EEMD信息熵与组合核函数相关向量机对机械设备的运行状态进行评估和预测。首先采集机械设备运行过程中的振动信号,采用经验模式分解方法（ensemble empirical mode decomposition,EEMD）对振动信号进行分解,获得多个本征模态函数（intrinsic mode function,IMF）分量,并分别计算其相对能量和归一化EEMD信息熵,构造表征机械设备运行状态的特征指标。随后,构建组合核相关向量机对机械设备的运行状态指标量样本进行学习,并采用粒子群算法对组合核相关向量机中的权值参数和核函数参数进行优化,建立反映机械设备运行状态的可靠度预测模型。最后,将所构造的运行状态特征指标输入给相关向量机进行可靠度的性能退化预测。滚动轴承运行状态评估及预测的结果表明,所提出的机械设备运行状态评价方法能够充分提取反映滚动轴承运行状态的特征信息,运行可靠度预测方法也充分考虑了滚动轴承性能退化状态的历史规律性,相对于单一核函数相关向量机智能预测模型,组合核相关向量机提高了滚动轴承运行状态的预测精度和鲁棒性,为机械设备的运行状态评估和性能退化趋势预测的工程应用提供了一种新的方法。     

快速随机多核学习分类算法

Multiple kernel learning (MKL) combines multiple kernels in a convex optimization framework and seeks the best line combination of them. Generally, MKL can get better results than single kernel learning, but heavy computational burden makes MKL impractical. Inspired by the extreme learning machine (ELM), a novel fast MKL method based on the random kernel is proposed. When the framework of ELM is satisfied, the kernel parameters can be given randomly, which produces the random kernel. Thus, the sub-kernel scale is reduced largely, which accelerates the training time and saves the memory. Furthermore, the reduced kernel scale can reduce the error bound of MKL by analyzing the empirical Rademacher complexity of MKL. It gives a theoretical guarantee that the proposed method gets a higher classification accuracy than traditional MKL methods. Experiments indicate that the proposed method uses a faster speed, more small memory and gets better results than several classical fast MKL methods.     

基于核的k最近邻算法

将核学习的方法应用到k最近邻算法中,提出了1种基于核的k最近邻算法.该算法通过引入核函数,将原空间中的样本映射到1个高维核空间中,突出了不同类别样本之间的特征差异,使样本变得线性可分,从而提高分类性能.并利用UCI数据库中的数据分别验证了k最近邻分类和核k最近邻分类算法的有效性.     

基于小波最小二乘支持向量机模型的系统边际电价预测

系统边际电价的影响因素复杂多变．构建了一种以小波函数作为核函数的最小二乘支持向量机算法模型,并成功预测了系统边际电价．算例仿真结果表明,该模型不仅具有良好的泛化能力,而且能有效地提高电价预测精度．     

基于FNN-UKF神经网络的氧化铝浓度动态预测模型

针对影响氧化铝浓度的因素较多,彼此相关性强,难以建立动态预测模型的问题,提出一种基于FNN-UKF神经网络的动态预测方法.首先考察各原始变量置零前后在特征空间主元投影上的相似度,判断其对氧化铝浓度的解释能力,由此进行原始变量选择;再将约简后的原始变量输入基于UKF算法的神经网络预测模型,通过更新状态估计值和方差矩阵提高模型的泛化能力.对取自某厂160KA大型预焙槽的247组样本数据进行检验:228组样本的预测误差在±1％之内,计算量减少52.07％,表明该方法在保证预测精度的同时,有效降低了模型学习的计算量.