粒子群优化在自然语言处理中的文本和情感分类研究（英文）

为了提高自然语言处理中文本和情感分类的准确性,提出了一种基于粒子群优化支持向量机的机器学习方法。该方法通过对粒子群位置、速度和当前粒子最佳位置的不断更新来优化支持向量机的参数,从而寻找最佳支持向量机。文本和情感分类的实验结果显示:提出的粒子群优化支持向量机方法在训练速度和准确率方面表现出较好的性能。     

聚类和优化支持向量机的冷轧带钢表面缺陷分类

针对具有小样本、非线性、高维模式识别特点的冷轧带钢表面缺陷,且部分缺陷分布零散、不相连而导致后期识别数量增加、识别率低的情况,提出聚类与优化支持向量机相结合的改进分类算法。利用矩形框将缺陷进行标记,实现缺陷聚类合并,减少后期缺陷识别分类个数,便于后期正确识别判断;利用粒子群优化算法结合交叉验证自动选取最优参数,确定支持向量机结构,并结合实际生产线上出现频率较高的5类带钢缺陷进行分类研究。实验结果表明,相较于改进BP神经网络和网格优化的支持向量机,聚类与优化支持向量机相结合的改进分类算法不仅解决了位置接近的同种缺陷重复分类的问题,而且耗时短、缺陷正确识别率可达98%,符合实际生产线需求。     

基于CMCPSO-SVM的轴承微弱故障诊断方法北大核心

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。     

LMD和SVM相结合的电机轴承故障诊断研究

为了提高电机轴承故障诊断的准确率,提出了基于粒子群优化的支持向量机(SVM)故障诊断的方法。文章采用局部均值分解(LMD)提取电机轴承振动信号特征作为支持向量机的特征向量;采用粒子群优化算法(PSO)优化支持向量机的核函数参数和惩罚参数,以此建立分类器用于识别电机轴承故障类型。通过仿真实验验证该方法能够有效的识别电机轴承故障状态。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

粒子群优化支持向量机的BOF用氧量预报研究

针对BOF用氧量预报模型精度不高的问题,提出利用粒子群优化支持向量机的用氧量预报建模方法,以此来优化用氧量,进而提高钢液的质量。结果表明,与RBF、BP及SVM相比,粒子群优化支持向量机的BOF吹氧量预报模型精度高、推广能力强。     

基于支持向量机的船用柴油机装配质量预测

针对船用柴油机整机装配工序复杂、零部件种类多、多工序并行作业难度大,导致装配质量稳定性与一致性差等问题。基于粒子群-支持向量机建模原理,提出一种船用柴油机装配质量预测方法,以提高船用柴油机装配质量。通过对船用柴油机装配质量特性影响因素分析,结合灰色关联和主成分分析原理,筛选出关键装配质量参数作为支持向量机输入变量,利用粒子群优化算法对支持向量机预测模型关键参数进行优化,并结合实际装配参数,对预测模型进行了验证。结果表明,基于粒子群优化支持向量机的装配质量预测方法能够提高预测精度,缩短预测时间,为装配过程控制和异常诊断提供技术支持。     

基于粒子群算法的支持向量回归机优化算法在铣刀磨损量建模中的应用

为了准确预测铣刀在加工过程中的磨损量,提出一种基于粒子群算法的支持向量回归机的优化算法用于对铣刀磨损量的建模与预测。通过粒子群算法,优化输入不同维度的特征向量的支持向量回归机的建模,得到特征向量维度的最优解和对应的支持向量回归机训练参数,建立了铣刀磨损量的预测模型。通过随机选取的真实样本,验证了该模型的准确性     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

基于改进支持向量机的产品服务系统客户流失预测模型

为协助设计师能精准地为客户提供有效的产品服务系统整体解决方案,针对其客户流失预测问题,提出了一种改进粒子群算法与支持向量机相结合的客户流失预测方法(IPSO-SVM)。该方法包括构建了产品服务系统客户流失模型及IPSO-SVM算法模型。首先,IPSO-SVM算法采用粒子位置表示支持向量机的参数,并基于Sobol序列对粒子群位置与速度初始化,然后位置更新时引入动态自适应非线性惯性权重的方法。最后,以某高档数控机床公司客户流失状态为案例,通过与BPNN、SVM、PSO-SVM进行比较,验证所提方法在该数控机床产品服务系统客户流失模型中的有效性与可行性。     

基于PSO参数优化的支持向量机齿轮箱故障诊断研究

为了解决支持向量机惩罚因子c和核函数g的确定只能依靠先验知识的缺点,提出了基于粒子群优化算法(PSO)的支持向量机参数优化的模型,通过PSO的寻优自动获得最优的支持向量机参数。并运用JZQ250型齿轮箱进行故障诊断,实验表明所提出的模型很好地解决了参数选择问题,使SVM性能有所提升。     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

改进和声搜索算法优化支持向量机的柴油机故障诊断研究

针对基本和声搜索算法在优化支持向量机参数时,其局部搜索能力不足且后期收敛速度比较慢的缺点,提出利用改进和声搜索算法对支持向量机相关参数进行选择优化(IHS-SVM)的方法。在这一方法中,将原算法中控制参数—记忆库取值概率(HMCR)、微调概率(PAR)和调节宽度(bw)由静态值改进为随迭代次数的不同而进行动态变化。通过对UCI中的2个数据集进行分类正确率测试,并与未优化的支持向量机(SVM)和基本和声算法优化的支持向量机(HS-SVM)测试结果对比,证明了该改进方法的优越性。最后,将其用于柴油机故障诊断,并将分类正确率与未优化SVM和HSSVM分类结果进行比较,进一步说明改进和声搜索算法优化的支持向量机(IHS-SVM)能获得更高的分类结果正确率,即证明了该改进方法的实用性。     

基于PSO-SVM的FPC焊盘表面缺陷检测研究

针对柔性线路板(FPC)焊盘表面的缺陷检测,建立了一种利用粒子群算法(PSO)进行参数寻优的PSO-SVM分类识别模型。首先通过OTSU法将焊盘从原始图像中分割出来,然后对其5种表面缺陷从形状、灰度、纹理三个方面提取了14维特征,接着用粒子群算法方法对支持向量机的参数优化以获得较高的识别准确率,最后对缺陷样本进行分类识别,并将其与GS-SVM和BP神经网络分类性能进行对比。实验证明了该方法可以对焊盘缺陷进行准确的分类识别。     

基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题，提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合；将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量，根据峭度准则筛选出最佳和次最佳IMF分量进行重构，降低噪声干扰；最后，提取重构信号的时域和熵理论特征，利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明，该方法能够有效地提取齿轮故障特征，实现对齿轮故障类型的准确判定，验证了该方法的可行性和有效性。     

数控机床智能监控与状态识别方法研究

实施数控机床远程监控,识别机床所处状态对提高机床利用率和产品加工质量具有重要意义。提出了一种基于最小二乘支持向量机的数控机床状态诊断处理方法,利用粒子群方法优化支持向量机算法识别诊断机床状态。构建了数控机床监测体系及监测信息的信号处理模型,给出了模型参数的确定方法。最后,对提出的识别处理方法进行了实验验证,实验结果表明所提出的处理方法对数控机床状态有较好的识别效果,具有较强的实用性。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于支持向量机的齿轮故障分类

齿轮是旋转机械中的关键元件。提出了一个基于支持向量机的齿轮多故障分类方法。齿轮状态被划分为正常、齿轮磨损和断齿状态。振动信号的均方根和小波包能量被选作为分类器的特征参数。分类器选用支持向量机（SVM）。SVM具有良好的实用性及多分类能力。实验结果表明：提出的方法能很好地区分齿轮故障。     

基于多特征提取与IPSO＿LSSVM的故障诊断

针对滚动轴承运行过程中故障难以识别的问题,提出一种多特征提取与改进粒子群算法(improved particle swarm optimization,简称IPSO)优化最小二乘支持向量机的诊断方法。首先用小波包变换对振动信号消噪、分解,提取频域特征;然后结合时域特征等参数,用核主元分析法对多维特征空间进行优选和降维,获得典型故障的敏感信号;最后用改进的粒子群优化最小二乘支持向量机的核参数和惩罚因子解决在寻优中陷入边缘局部最优、收敛精度差的问题,提升故障诊断的识别率。实验结果表明:该方法有效提取故障特征,提高了故障识别的准确率和实时性,是一种可靠的轴承故障诊断方法。     

盘型激光焊接状态多传感信息融合分析

针对大功率盘型激光焊接状态,研究一种基于支持向量机的多传感信息融合分析方法. 使用紫外、可视和红外波段的两个高速摄像机同时获取激光焊接过程中金属蒸气、飞溅和熔池动态图像. 通过模式识别技术提取焊接过程多传感信息特征及进行数据主成分特征分析,并以焊缝宽度变化作为衡量焊接状态稳定性的参数. 运用支持向量机融合各特征,通过网格搜索和粒子群算法优化支持向量机参数,建立基于支持向量机的多传感信息融合模型. 结果表明,支持向量机多传感信息融合方法能够有效预测焊缝宽度变化趋势,为大功率盘型激光焊接状态的实时监控提供试验依据.