LS_ SVM和SVM在发酵过程建模中的比较

针对最小二乘支持向量机(LS_ SVM)不需要指定逼近精度ε的特点,比较了LS_ SVM与SVM两种方法利用生产数据为青霉素发酵过程建立的数学模型,改进型GA分别为LS_ SVM和SVM选择参数值.实验证明:LS_ SVM建立的模型具有较高的拟合精度和泛化能力.如果ε过大时,SVM建立的模型的拟合精度和泛化能力不高;当ε过小时,模型的拟合精度和泛化能力较高,但耗时多.因此,LS_SVM更适合为发酵过程建模.     

基于SVM的复杂非线性黑箱系统在线辨识方法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的回归方法,本文分析了采用神经网络方法进行非线性系统建模存在的缺点,并将SVM应用于复杂非线性黑箱系统模型的在线辨识当中,理论分析和实验证明,该方法学习速度快,跟踪性能好,泛化能力强,对样本的依赖程度低,比神经网络非线性系统建模具有更好的预测精度.     

分段最小二乘支持向量机的故障诊断

在啤酒发酵过程中,为了建立精准的传感器温度故障诊断模型,在标准支持向量机(SVM)的基础上提出了分段最小二乘支持向量机的方法,该方法首先利用模糊C聚类(FCM)对样本进行聚类分析,达到划分发酵阶段和建立局部模型的目的,然后采用最小二乘支持向量机(LSSVM)的方法对各类样本进行建模。实验结果表明,使用该方法建立的啤酒发酵过程温度故障诊断模型具有较高的准确性。经过比较,该方法建立的模型的泛化能力要强于其他SVM方法建立的模型。     

自适应GA-SVM参数选择算法研究

支持向量机是一种非常有前景的学习机器，它的回归算法已经成功地用于解决非线性函数的逼近问题．但是，SVM参数的选择大多数是凭经验选取，这种方法依赖于使用者的水平，这样不仅不能获得最佳的函数逼近效果，而且采用人工的方法选择SVM参数比较浪费时间，这在很大程度上限制了它的应用．为了能够自动地获得最佳的SVM参数，提出了基于自适应遗传算法的SVM参数选取方法．该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度，从而确保了SVM参数选择的准确性．将该方法应用于船用锅炉汽包水位系统建模，仿真结果表明由该方法所得的SVM具有较简单的结构和较好的泛化能力，仿真精度高，具有一定的理论推广意义．     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于多目标遗传算法的机器人避障研究

提出了在势场法斥力场函数中引入目标点和障碍物的距离、障碍物和机器人的速度矢量及最小安全距离的一种新的动态势场(NDAPF)方法,建立了考虑运动路径长度、移动步数、动态相对距离的避障评价函数,进一步提出了根据遗传算法个体适应度不同情况下变异概率自适应调整的一个改进算法,利用多目标遗传算法(MOGA)对NDAPF。方法进行寻优．在一个移动机器人仿真平台中分别对传统的静态势场(TAPF)方法、无参数优化NDAPF和利用MOGA参数优化的NDAPF方法(MOGANDAPF)进行仿真实验,实验结果证明,MOGANDAPF方法可进一步应用于足球机器人避碰模型研究中．     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的SVM和LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于时间差分的SCR脱硝系统动态建模

为建立精确的选择性催化还原(selective catalytic reduction,SCR)脱硝系统动态模型,提出了一种基于时间差分(time difference,TD)的动态建模方法。常规动态建模方法一般是在模型输入端增加历史输入和输出信息,会增加模型的维数并影响其训练速度和泛化能力。TD方法通过求解输入、输出的一阶差分并建立变化量间的数据驱动模型,能在不增加维数的前提下实现动态建模。使用某燃煤电站的变负荷运行数据,针对正常运行以及测量仪表反吹两种工作状态,基于TD方法和最小二乘支持向量机建立了SCR脱硝系统的动态模型并与静态及常规动态建模方法进行了对比。结果表明,基于TD方法的动态模型维数低、训练速度快、建模精度高,且在测量仪表反吹时仍能保持较高的精度。     

基于改进支持向量机的抽汽管道阻力特性混合建模

结合机理分析与统计智能算法,建立的热力系统子系统混合模型,可以充分发挥两种方法各自的优势。经现场实际数据分析,基于遗传算法改进ε-SVM的抽汽管道压损模型,符合理论分析规律,并且具有较高的精度。     

一种支持向量机参数选择的改进分布估计算法

支持向量机(support vector machine,SVM)的学习性能和泛化能力在很大程度上取决于参数的合理设置. 将支持向量机的参数选择问题转化为优化问题,以模型预测均方根误差为评价函数,提出一种引入混沌变异操作的改进分布估计算法(estimation of distributionalgorithm,EDA),并将其用于优化求解ε-支持向量机的参数:惩罚因子、不敏感损失系数以及高斯径向基核函数的宽度. 由于改进EDA利用混沌运动的随机性和遍历性等特点在解空间内进行优化搜索,能够较好解决传统EDA易于陷入局部极小的缺陷. Chebyshev混沌时间序列预测仿真结果表明:改进EDA是选取SVM参数的有效方法.     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.     

Application of camera calibrating model to space manipulator with multi-objective genetic algorithm

The multi-objective genetic algorithm(MOGA) is proposed to calibrate the non-linear camera model of a space manipulator to improve its locational accuracy. This algorithm can optimize the camera model by dynamic balancing its model weight and multi-parametric distributions to the required accuracy. A novel measuring instrument of space manipulator is designed to orbital simulative motion and locational accuracy test. The camera system of space manipulator, calibrated by MOGA algorithm, is used to locational accuracy test in this measuring instrument. The experimental result shows that the absolute errors are [0.07, 1.75] mm for MOGA calibrating model, [2.88, 5.95] mm for MN method, and [1.19, 4.83] mm for LM method. Besides, the composite errors both of LM method and MN method are approximately seven times higher that of MOGA calibrating model. It is suggested that the MOGA calibrating model is superior both to LM method and MN method.     

基于支持向量机的静压转台热误差补偿

在一般补偿器的硬件中无法运行MATLAB等第三方工具软件的代码,导致大多模型不能被应用于机床热误差的实际补偿.为了提高误差建模效率,降低对补偿系统硬件的要求,提出静压转台热误差实时补偿方法. 该补偿方法以支持向量机（SVM）为核心算法,分别使用鱼群算法和狼群算法对支持向量机的核心参数进行前期和后期优化,在保证预测精度的前提下提升建模效率. 通过离线训练MATLAB筛选出支持向量导入到开发的补偿软件中,利用用于过程控制的对象连接与嵌入（OPC）方式对热误差实施实时在线补偿. 与传统多元线性回归建模方式对比,可以看出该模型在精度和效率上均较优.补偿实验的结果表明,转台的轴向误差由原来最大为40 μm降低为约10 μm,转台的加工精度提高了75%,验证了所提出补偿方法的有效性.     

Application of GA-SVM in classification of surrounding rock based on model reliability examination

In order to improve the discrimination precision of support vector machine(SVM)in classification of surrounding rock,a Genetic Algorithm(GA)was used to optimize SVM parameters in the solution space.The idea of examination of model reliability was introduced to check the reliability of the SVM parameters,obtained by genetic algorithms.In the process of model reliability,a trend examination method is presented,which checks the reliability of the model via the influence trend of impact factors on the object of evaluation and their evaluation level.Trend examination methods are universal,showing new ideas in model reliability examination and can be used in any problems of examination of reliability of models,based on previous experience.We established a GA-SVM based reliability model of a classification the surrounding rock and applied it to a practical engineering situation.The result shows that the improved SVM has a high capability for generalization and prediction accuracy in classification of surrounding rock.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

SVM with discriminative dynamic time alignment

In the past several years, support vector machines (SVM) have achieved a huge success in many fields, especially in pattern recognition. But the standard SVM cannot deal with length-variable vectors, which is one severe obstacle for its applications to some important areas, such as speech recognition and part-of-speech tagging. The paper proposed a novel SVM with discriminative dynamic time alignment (DDTA-SVM) to solve this problem. When training DDTA-SVM classifier, according to the category information of the training samples, different time alignment strategies were adopted to manipulate them in the kernel functions, which contributed to great improvement for training speed and generalization capability of the classifier. Since the alignment operator was embedded in kernel functions, the training algorithms of standard SVM were still compatible in DDTA-SVM. In order to increase the reliability of the classification, a new classification algorithm was suggested. The preliminary experimental results on Chinese confusable syllables speech classification task show that DDTA-SVM obtains faster convergence speed and better classification performance than dynamic time alignment kernel SVM (DTAK-SVM). Moreover, DDTA-SVM also gives higher classification precision compared to the conventional HMM. This proves that the proposed method is effective, especially for confusable length-variable pattern classification tasks.     

Prediction of landslide displacement with dynamic features using intelligent approaches

Landslide displacement prediction can enhance the efficacy of landslide monitoring system, and the prediction of the periodic displacement is particularly challenging. In the previous studies, static regression models (e.g., support vector machine (SVM)) were mostly used for predicting the periodic displacement. These models may have bad performances, when the dynamic features of landslide triggers are incorporated. This paper proposes a method for predicting the landslide displacement in a dynamic manner, based on the gated recurrent unit (GRU) neural network and complete ensemble empirical decomposition with adaptive noise (CEEMDAN). The CEEMDAN is used to decompose the training data, and the GRU is subsequently used for predicting the periodic displacement. Implementation procedures of the proposed method were illustrated by a case study in the Caojiatuo landslide area, and SVM was also adopted for the periodic displacement prediction. This case study shows that the predictors obtained by SVM are inaccurate, as the landslide displacement is in a pronouncedly step-wise manner. By contrast, the accuracy can be significantly improved using the dynamic predictive method. This paper reveals the significance of capturing the dynamic features of the inputs in the training process, when the machine learning models are adopted to predict the landslide displacement.