基于LS-SVM的模糊控制器研究

探讨了利用最小二乘支持向量机(LS-SVM)进行模糊控制器分析与设计研究的方法,提出了基于LS-SVM模型的模糊控制算法.该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点.仿真结果表明,LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.基于LS-SVM的模糊控制器具有很好的控制性能.     

基于NGA-LSSVM的白水浓度软测量

提出了一种基于小生境遗传算法—最小二乘支持向量机(NGA-LSSVM)的软测量建模方法.充分利用遗传算法强大的全局搜索能力,引入小生境遗传算法对最小二乘支持向量机各个参数(损失函数参数、惩罚因子、核函数及其参数)进行优化选择,将支持向量机参数由人工选取变为自动确定,为解决支持向量机参数自动优化问题提供了一条有效的途径.将所提出的建模方法应用于制浆造纸生产过程白水浓度软测量研究中,研究结果表明:与普通最小二乘支持向量机相比,该建模方法具有更佳的预测精度,能满足造纸生产过程的实际需要.     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

基于混沌果蝇优化最小二乘支持向量机的秸秆发酵过程软测量建模

针对秸秆发酵制取燃料乙醇过程的关键参量乙醇质量浓度难以用传统物理传感器实时在线测量,给发酵过程的监测与控制带来困难这一难题,采用混沌果蝇优化算法( chaos fruit fly optimization algorithm,CFOA)优化最小二乘支持向量机( least square support vector machine,LSSVM)的关键参数,避免了普通交叉验证法选取参数的耗时性和盲目性,建立混沌果蝇最小二乘支持向量机软测量模型,实现乙醇质量浓度的在线实时测量.实验仿真表明：基于CFOA的LSSVM模型平均误差为4.55%,明显优于LSSVM模型,表明该软测量建模方法预测能力强,测量精度高.     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

基于支持向量机的不等时距灰色组合预测模型

建立了一种基于支持向量机的不等时距灰色组合预测模型.利用各种不等时距灰色模型的预测结果作为支持向量机的输入,实测值作为支持向量机的输出,并采用LS-SVM回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机即可进行组合预测.该模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一不等时距预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于LS-SVM的非线性系统盲辨识

针对现今在非线性系统盲辨识研究中遇到的困难,提出了一种基于最小二乘支持向量机(LS-SVM)的非线性系统盲辨识方法.该方法直接对非线性系统输出进行过采样,运用LS-SVM非线性建模技术,并结合输入的分布特性,从而完成非线性系统的盲辨识.介绍了盲系统辨识问题的研究内容及过采样技术原理,对LS-SVM的盲系统辨识机理和算法步骤进行了阐述.仿真结果表明了该方法在解决非线性系统盲辨识问题上的切实可行性.     

模糊支持向量机的非直达波抑制算法

针对支持向量机中由于噪声和野值带来的过拟合问题,提出了基于模糊最小二乘支持向量机(fuzzy LS-SVM)的抑制非直达波的移动定位方法。利用一种基于支持向量数据域描述的模糊隶属度函数模型,根据样本到特征空间最小包含超球球心的距离来确定模糊隶属度。仿真结果表明了该方法的稳健性,提高了LS-SVM的抗噪声能力。     

在线模糊支持向量机回归方法及其应用

针对全局建模方法很难精确描述实际生产过程,提出了一种模糊支持向量机回归建模算法,并推导出相应的增量与减量算法;在此基础上,提出了在线模糊支持向量机回归建模方法,该方法利用滚动时间窗内的数据优化建模,随着时间窗的滚动,在原有模糊支持向量机模型的基础上通过增量与减量算法实现参数的快速在线更新。通过将该方法用于丙烯腈收率的预测建模,结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以较好的跟踪丙烯腈收率的变化。     

转向系统背压加载的广义预测控制

针对转向系统背压加载的时变、非线性、多变量耦合等过程特性,研究了一种基于最小二乘支持向量机(least square support vector machine,LS-SVM)的广义预测控制算法.采用LS-SVM辨识方法对系统进行建模,并用粒子群算法对LS-SVM的参数进行寻优,为控制器的设计奠定基础;对于时变的特点,采用基于在线LS-SVM的广义预测控制混合算法,实时修改模型参数.转向系统背压加载的控制实验结果表明,基于LS-SVM的广义预测控制混合算法是有效的,能准确地跟踪设定的加载压力,对扰动有较强的鲁棒性,具有实际工程应用价值.     

基于最小二乘支持向量机的时变信道建模

基于2.55 GHz市区微蜂窝多输入多输出信道实测数据,将机器学习中的最小二乘支持向量机（LS-SVM）算法应用于时变信道参数的建模中,建立了基于遗传算法（GA）优化的LS-SVM信道参数预测模型,对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习,并实现了准确预测;同时通过与反向传播神经网络模型以及传统的LS-SVM模型进行比较,验证了算法的有效性.基于GA优化的LS-SVM模型能够在有限数据量下对信道参数的变化有着良好的适应性,可实现非线性时变信道参数的准确预测.     

一种基于LS-SVM的CDMA信号接收机自适应核方法

给出了一种基于最小二乘支持向量机(LS-SVM)的码分多址(CDMA)系统信号接收机非线性自适应核算法。LS-SVM使用均方误差原则,优点是能应用于自适应在线的情况,基于LS-SVM的接收检测器复杂度适中,能够实现非线性分类,并能够自适应执行,而且仅仅只需要从用户那里得到较少的训练数据序列。     

基于最小二乘支持向量机的变速风力发电机组模糊控制器

提出了一种新型模糊控制器用于变速风力发电机组最大能量获取,该控制器中使用了基于最小二乘支持向量机(LS-SVM)的机组Takagi-Sugeno-Kang(TSK)模糊模型。建模过程中,采用了模糊聚类的方法进行输入输出空间的划分,并以LS-SVM的方法确定模糊规则的后件参数。将该控制器应用于变速风力发电系统的仿真结果表明,机组很好地实现最大能量获取的目标,并具有实时性强、容错性、学习能力强、计算速度快等优点。     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

一种基于改进万有引力和支持向量机的数据校正方法

针对在线数据校正效果差的问题,提出了一种基于改进万有引力和支持向量机的数据校正方法.首先为了减小计算量,对万有引力算法中的适应度函数进行改进,利用改进的万有引力算法对影响支持向量机性能的重要参数进行优化.然后利用少数准确的离线试验数据对支持向量机回归模型进行训练,当在线监测的历史或实时数据不在回归模型允许偏差范围内时,通过回归模型对异常数据进行校正.最后通过实际数据对提出的方法进行验证,结果证明了该方法的可行性和有效性.     

基于支持向量机的软测量技术应用研究

讨论了支持向量机的回归计算理论,并针对某炼油厂加氢裂化分馏汽油干点无法实时在线监测的问题,建立了基于支持向量机的软测量模型对汽油干点进行实时预测．     

基于最小二乘支持向量机的岩石可钻性研究

岩石可钻性的确定直接影响钻头选型和钻速预测,国内外各主要油田虽对地层岩性的测定相当重视,但适合于油气井钻井条件的岩石可钻性问题仍未彻底解决.针对目前国内在钻头选型方面存在的困难和问题,提出了利用LS-SVM最小二乘支持向量机求取岩石可钻性的实用方法.该方法以测井资料为参数,利用LS-SVM支持向量机技术建立岩石可钻性的数学模型.该模型在SC油田DU4井中的应用中取得了较好效果.     

嵌入式人手姿态肌电模式在线识别方法

为了实现多自由度假手的肌电控制,需要嵌入式地实现先进模式识别方法.分别采用K近邻法及支持向量机分类方法,在样本充足以及相对匮乏的情况下,对实验中采集肌电信号的阈值特征集和稳态特征集进行了模式识别操作.实验结果表明,支持向量机的方法要明显优于近邻法,采用阈值数据作为训练样本要比稳态数据实时识别效果好.给出了一种在DSP内基于支持向量机进行10种人手姿态肌电模式的在线识别方法,识别率在95%以上,决策频率约为30Hz.     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.