基于SVM的管网状态估计模型

为建立未知节点压力和可知监测信息之间的管网状态估计模型,应用支持向量机算法,建立基于支持向量机的管网状态估计模型和测压点压力宏观模型.经仿真分析,SVM模型90%以上预测数据的绝对误差控制在0.01MPa;与BP神经网络模型相比,同样的样本集均方误差情况下,其测试集均方误差一般比BP神经网络精度高.杭州市管网的实例计算中,85%以上测压点预测数据的相对误差都在5%以内,结果相当理想.     

支持向量机的给水管网水质综合评价研究

提出了基于支持向量机(SVM)的给水管网水质综合评价模型.在给水管网水质评价标准的基础上采用内插法获得学习样本,利用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,并用K-折交叉验证法优化模型参数,以优化参数的模型建立网络水质分级标准.将训练好的网络模型应用于水体实例并与其它几种评价模型加以比较,分析结果表明,SVM方法评价结果比较客观、合理,尤其在体现指标的极值作用方面具有独到的优势.     

基于支持向量机和云模型的网络健康状态评估

分析了支持向量机分类方法的几何意义,结合健康评估问题的定义提出了一种基于支持向量机的网络健康评估方法.将健康评估转化为分类问题,以点到健康分类边界的距离为评估参数从整体上评价网络健康状况,降低了主观因素对网络评估的影响.采用云模型实现了健康度与评语域之间的不确定性映射,更符合评估的实际情况.基于opnet的仿真实验结果表明了该方法的可行性.     

支持向量机替代模型的遗传优化设计

针对实际工程中常见的性能函数不能显式表示的优化问题,提出一种基于支持向量机替代模型的遗传优化设计方法。利用试验设计选取合适的设计参数样本点,通过实验或数值仿真获得响应输出,结合遗传算法构建具有参数优化功能的支持向量机替代模型;将支持向量机模型作为目标性能函数,结合其他约束条件完成优化模型的建立,并应用遗传算法进行优化,形成一套准确、高效、适应性强的优化方法。以典型电子装备功分器的结构尺寸优化为例,采用均匀试验设计和高频电磁场仿真软件HFSS获取替代模型训练的学习样本,建立功分器模型的幅度比、相位差和驻波3个响应面目标函数,并对该多目标优化问题进行遗传寻优。     

基于支持向量机的新能源汽车状态评估

目前,燃料电池汽车正处于试验试制阶段,为了避免故障带来的安全隐患,有必要实时掌握车辆的运行状态.本文在研究燃料电池汽车运行特点的基础上,选取了合理的评估参数,并利用最小二乘支持向量机建立了其零部件评估模型.该模型需要的数据量少,泛化能力强,并通过多个现场实例分析证明了该模型的正确性和有效性.     

基于交叉验证支持向量机算法的交通状态判别研究

传统交通状态判别算法存在准确率低和速度较慢的缺点。将支持向量机(SVM)算法应用于交通状态监测中,并且以径向基函数(RBF)作为核函数,在SVM训练过程中采取交叉验证的方法,即将训练样本分成多个子集,再通过每次保留其中一个子集作为检测样本进行反复训练,获得RBF所需的σ值和惩罚系数C。通过对某主干路上某时段的数据验证和检测表明,基于交叉验证SVM算法具有较高的准确率和速度,可以有效地将其运用到实际中。     

基于模糊支持向量机的城市道路交通状态分类

运用模糊支持向量机方法进行城市道路交通状态分类,应用模糊隶属度处理了评价者的主观偏好表达和交通状态评价指标范围的不确定性问题;同时,通过集成支持向量机分类学习的能力修正了单纯模糊分类方法无法进行样本训练的局限,采用"一对一"方法进行交通状态多类分类。最后基于微观交通仿真数据,验证了模糊支持向量机方法在交通状态分类中能够减少样本数据噪声影响,提高分类训练学习的质量。     

一种改进的简化支持向量机

在针对大样本问题时,支持向量机所需训练时间和内存都急剧增加。为解决这一问题,提出一种改进的支持向量机简化方案。根据能成为支持向量的样本主要分布在边界上,该方案提出改进提取边界样本的方法提高约简率,保留边界样本并约简非边界样本来减小样本规模。经实验验证,此约简方法约简效果好,泛化性能几乎没有损失,表明该方案有效可行。     

一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

给水管网的半理论增广混合回归模型

以给水管网的调度优化为应用背景,分析了配水系统的水力学特点,建立了管网的供水泵站与管网中节点水压之间关系的半理论回归模型,并指出水源泵站水头对节点水压的影响系数之和接近于1.在此基础上,建立了考虑管网周期相关特性的半理论回归模型和半理论的增广混合回归模型.利用实际管网的实测数据进行了模型参数识别.分析了不同模型的模拟效果,结果表明所有模型所揭示的规律基本上符合理论分析,半理论的增广混合回归模型是一种能比较充分地反映水源与节点之间水头呈线性关系的模型.     

基于最小二乘支持向量机的时用水量预测模型

针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)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,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力.     

给水管网的状态模拟

本文提出了状态估计的带权重最小二乘数学模型，用少量实测节点水压和管段流量估计所有节点水压，用于管网的状态模拟，采用附加节点流量伪测量数据，解决了解的惟一性问题．采用Marquardt法求解数学模型，收敛迅速，模型的解稳定．算例分析表明，估计的精度较高，能满足管网实时模拟的要求。     

基于SVM及电流牵扯效应的金属缺陷分类识别方法

金属在服役期间经常存在一些由应力、腐蚀和疲劳造成的缺陷,在众多的缺陷检测技术中,交流电位法作为一种无损检测技术在检测腐蚀坑和裂纹方面得到了广泛应用。用交流电位法检测不同缺陷时,由于几何形态的差异,缺陷深度的计算方法也不相同。因此需要在计算缺陷深度之前对所检测区域的缺陷类型做出识别。本文目的在于寻找一种高精度的缺陷分类识别方法。并且针对腐蚀坑和裂纹这两种最常见的金属缺陷,根据其对电流的牵扯效应不同,提出利用邻近检测区域的4个牵扯因子作为缺陷区域的特征向量建立分类模型。在大量仿真计算的基础上,分别建立坑蚀和裂纹的特征向量集,并由这些数据集训练得到基于遗传算法（GA）优化的支持向量机（SVM）分类模型。仿真测试结果中数据测试集分类精度较高,平板实验也得到了较高的识别精度。实验结果表明文中提出的缺陷分类识别方法对腐蚀坑和裂纹的分类识别具有很高的精度。     

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.     

基于神经网络法的配电网状态估计

对配电网状态估计的研究是建立起符合配电网特点的数学模型,本文尝试用神经网络方法对系统确定性部分进行状态估计,将网络不确定部分进行简化计算,从而得出全局的结果。通过并对量测数据进行检测,尽可能的提高数据精度。充分应用了配电网自身的特性生成行之有效的计算方法,从而为电力调度管理提供依据。     

Improved Approach Based on SVM for License Plate Character Recognition

An improved approach based on support vector machine （SVM） called the center distance ratio method is presented for license plate character recognition. First the support vectors are pre-extraeted. A minimal set called the margin vector set, which contains all support vectors, is extracted. These margin vectors compose new training data and construct the classifier by using the general SVM optimized. The experimental resuhs show that the improved SVM method does well at correct rate and training speed.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.