基于样条函数的光滑支持向量机模型

应用光滑函数改进支持向量机模型,得到无约束条件、可微的二次规划问题,从而可以采用快速的最优化算法求解光滑支持向量机模型.提出了一种广义三弯矩方法,用这个方法构造出新的五次样条光滑函数和七次样条光滑函数.证明了上述两个样条光滑函数的逼近精度均高于已有的各种光滑函数;基于上述两个样条函数的光滑支持向量机模型的收敛精度也高于已有的各种光滑支持向量机模型.      

基于合成核支持向量机的高光谱土地覆盖分类

提出一种基于合成核支持向量机的高光谱数据分类方法.该方法首先对高光谱数据进行分组,对得到的不同数据组分别运用支持向量机方法进行分类参数的优化,然后组合不同的核函数来综合不同的数据组,得到最终的分类结果.利用华盛顿地区HYDICE高光谱数据对所提出的方法进行评价和验证,结果表明,基于合成核支持向量机的高光谱图像分类,可获得比传统支持向量机更高的分类精度.     

混合蛙跳算法优化的支持向量机EBPSK检测器

为了充分利用"0","1"码元经过冲击滤波器后的波形差异和有效改善基本支持向量机经典训练方法容易陷入局部最优的缺陷,设计了混合蛙跳算法优化的支持向量机EBPSK检测器.首先,从经过冲击滤波器的"0","1"码元原始数据中提取训练集和测试集,并进行归一化处理;然后,利用混合蛙跳算法的全局寻优能力在训练集空间搜索支持向量机的支持向量和分类阈值,并用训练过的支持向量机对测试集分类.将混合蛙跳算法优化的支持向量机的检测效果与基本支持向量机以及幅度积分判决进行了对比,结果表明:基本支持向量机检测效果要好于幅度积分判决,混合蛙跳算法优化的支持向量机具有更好的检测精度,检测效果优于前两者.     

基于广义可加模型的热轧变形抗力预报

基于热连轧生产过程实测数据,建立一种具有广义可加形式的热轧带钢变形抗力模型。首先,提出基于广义可加模型框架的热轧带钢变形抗力建模方法,包括变量预分析、模型设定、模型估计与结果分析等步骤;给出了估计模型各自变量平滑函数的back-fitting算法。接着,针对宝钢1880精轧机组进行建模实验,通过收集覆盖多钢种的带钢样本数据,建立了热轧带钢变形抗力的广义可加模型,采用三次光滑样条来估计各个模型自变量的单变量函数,获得了变形温度、变形程度、变形速率等因素对变形抗力的影响规律。实际建模实践表明,新模型的结构优于宝钢1880在线模型,具有计算精度高、适应钢种范围广等优点,可用于热连轧生产在线过程控制。     

基于激光诱导击穿光谱技术的废旧金属分类辨识

废旧金属回收是工业中金属的重要来源之一,是发展循环经济的重要内容。废旧金属产量巨大,通常表面覆盖杂质,凹凸不平,因此对分类方法的判别能力和计算速度提出较高要求。采用激光诱导击穿光谱技术研究分析了7种废旧金属分类识别问题,包括生铝、熟铝、镁、不锈钢、锌、黄铜与红铜。为了符合现场应用条件,实验中每个样本点只激发一次建立并分析了多种分类模型,包括支持向量机(SVM)分类模型,主成分分析方法结合支持向量机(PCA-SVM)分类模型,遗传算法结合支持向量机(GA-SVM)分类模型,遗传算法选择特征光谱结合主成分分析方法和支持向量机(GA-PCA-SVM)分类模型,以及遗传算法选择特征光谱结合主成分分析方法和人工神经网络(GA-PCA-BP)分类模型。通过遗传算法选取包含丰富特征的谱段组合与支持向量机方法相结合建立GA-SVM分类模型,490组验证样本分类准确率为93.47%。为了判断该模型的鲁棒性,对一批新样品,在自研的分选系统上以传送带匀速运行的方式进行测试,获取的750组光谱测试数据,分类准确率为88.27%,证明了该分类模型具有很好的移植性和应用性。     

基于激光诱导击穿光谱技术的废旧金属分类辨识

废旧金属回收是工业中金属的重要来源之一,是发展循环经济的重要内容。废旧金属产量巨大,通常表面覆盖杂质,凹凸不平,因此对分类方法的判别能力和计算速度提出较高要求。采用激光诱导击穿光谱技术研究分析了7种废旧金属分类识别问题,包括生铝、熟铝、镁、不锈钢、锌、黄铜与红铜。为了符合现场应用条件,实验中每个样本点只激发一次建立并分析了多种分类模型,包括支持向量机(SVM)分类模型,主成分分析方法结合支持向量机(PCA-SVM)分类模型,遗传算法结合支持向量机(GA-SVM)分类模型,遗传算法选择特征光谱结合主成分分析方法和支持向量机(GA-PCA-SVM)分类模型,以及遗传算法选择特征光谱结合主成分分析方法和人工神经网络(GA-PCA-BP)分类模型。通过遗传算法选取包含丰富特征的谱段组合与支持向量机方法相结合建立GA-SVM分类模型,490组验证样本分类准确率为93.47%。为了判断该模型的鲁棒性,对一批新样品,在自研的分选系统上以传送带匀速运行的方式进行测试,获取的750组光谱测试数据,分类准确率为88.27%,证明了该分类模型具有很好的移植性和应用性。     

热轧含Nb高强钢力学性能预报模型

借助工业大数据和冶金机理对各要素的影响进行剖析、把复杂问题拆分成若干子问题,建立热轧含Nb高强钢力学性能预报模型。首先,借鉴广义可加模型的思路,提出融合大数据与冶金机理的力学性能建模方法;考虑微合金元素碳氮化物析出对力学性能的影响,开发含Nb钢碳氮化物析出的热力学模型,可对不同温度与成分下的奥氏体平衡成分、碳氮析出物含量进行模拟计算。接着,针对某热轧线进行建模实验,采用三次光滑样条非参数估计方法获得各自变量的单变量光滑函数,得到成分、碳氮化物及工艺参数对抗拉强度的影响关系曲线。实际预测实践表明,抗拉强度、屈服强度的预测误差分别为2.54%和3.34%,新模型具有计算精度高、适应能力强等优点,可为微合金钢产品设计和优化提供参考。     

基于遗传算法优化的支持向量机品位插值模型

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性.      

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性.      

回转干馏炉内油页岩停留时间模型建立及其预测

为了提高估算MRT精度,文中采用支持向量机算法对求解MRT问题进行了建模,并在一定约束条件下,利用Gridregression.py寻找回归最优参数方法对支持向量机模型的参数进行了优化,获得了最优的模型参数.支持向量机模型将操作参数和结构参数作为输入量,MRT作为输出量,用实验数据对模型进行了校验和参数的寻优,利用优化后的模型对MRT进行了预测,并将预测结果与实验结果进行了对比,结果表明,优化后的支持向量机模型实现了对MRT较精确的预测.通过实验值和运动模型构建了平均停留时间的经验公式,结果表明:该平均停留时间经验公式的拟合曲线相对均方差为0.05,拟合效果良好.     

一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。本文设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

基于改进的支持向量回归机算法的磁记忆定量化缺陷反演

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路.      

基于多支持向量机齿轮钢淬透性预报方法的研究

由于齿轮钢淬透性与钢的化学成分和组织结构间存在非常复杂的关系,传统方法难以建立准确的预测模型。针对这一问题,提出了一种多支持向量机的建模方法,将影响淬透性的各因素按其相关性进行分类,根据分类结果确定子模型个数和子模型的输入。同时,为保证模型具有更好的拟合精度和泛化能力,在模型的训练中采用遗传算法对支持向量机进行参数寻优。仿真结果表明,采用多支持向量机建立的钢材淬透性预测模型具有更高的预测精度。     

小样本贫信息条件下高炉冶炼烧结终点组合预测法

由于烧结过程具有不确定性、多变量耦合、时变时滞的特点,并且烧结终点受多种因素的影响,采用传统控制方法难以将烧结终点控制在要求的范围内,提出应用支持向量机优良的时序预测性能,以及贝叶斯理论能够利用样本信息和先验知识来简化预测模型和优化参数的特性,建立了贝叶斯支持向量机烧结终点的预报模型.首先对烧结终点的机理分析,后分别叙述贝叶斯框架理论和LS-SVM算法,并将贝叶斯证据框架应用于最小二乘支持向量机模型参数的自动选择,建立起时间序列的烧结终点非线性预测模型.在贝叶斯推断的第一层,进行模型参数的选择;在贝叶斯推断的第二层,进行模型超参数的选择;在贝叶斯推断的第三层,估计模型核参数,然后利用贝叶斯最小二乘支持向量机算法(LS-SVM)对烧结终点进行预测,并在此基础上构造了烧结终点的贝叶斯最小二乘支持向量机模型.仿真结果和多种模型比较表明,本模型能在小样本贫信息条件下对烧结终点做出比较准确的预测,并具有预测精度高、所需样本少、计算简便等优点,取得了令人满意的结果.     

基于SVM的火电企业能效监督评价体系

针对现有评价方法在能效评价中存在的不足,提出了基于支持向量机的能效评价方法。收集了某电厂60组运行数据,提取涵盖7个工序的28个具体的监督指标训练、测试支持向量机。结果表明,提出的方法能够有效地对小样本能效数据分类,并且具有良好的泛化性。不同的模型参数对分类性能影响较大,采用网格寻参与遗传算法寻参(GA寻参)相结合的方式,对比选择最优参数。在此基础上完成了预测模块的建立,分别预测了电厂较为重要的两个指标:机组负荷与发电煤耗,完善了所建立的能效监督评价体系。     

面向多输出系统的启发式支持向量机回归

针对面向多输出系统支持向量机回归算法训练时间较长的问题,提出一种面向多输出系统的启发式支持向量机回归算法.与多输出的支持向量机回归建模相比,该方法建立的模型结构较为简单,模型训练速度更快.将此方法和直接支持向量机回归算法分别应用到甲基丙烯酸甲酯的间歇聚合反应过程中,仿真结果表明了该方法的有效性.     

基于多目标支持向量机的ADHD分类

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一,在大多数情况下持续到成年期。近年来,基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的,然而事实上,ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本,从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题,即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征,提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型,其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差,进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解,并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估,并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好,可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断,还可用于阿尔茨海默病和自闭症等疾病的辅助诊断。