基于混合核函数FOA-LSSVM的预测模型

支持向量机（SVM）的核函数类型和超参数对预测的精度有重要影响。由于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入果蝇优化算法（FOA）对最小二乘支持向量机（LSSVM）参数进行全局寻优,提出了混合核函数FOA-LSSVM 预测模型。结果表明,该模型较传统方法在电力负荷预测精度上有了明显提高,预测结果科学可靠,在预测中具有良好的实际应用价值。     

支持向量机算法多目标模型选择

为适应支持向量机（Support Vector Machine,SVM）算法应用过程中的不同性能指标要求,将SVM算法的模型选择问题作为一个多目标优化（Multi-Object Optimization,MOO）问题进行处理。以改进的粒子群优化（Particle Swarm Optimization,PSO）算法对该多目标优化问题进行求解,得到其Pareto解集,在具体应用中根据实际需要从Pareto解集中选择适合的最优解作为支持向量机算法参数,实现支持向量机算法的模型选择。在几个数据集上的仿真实验表明,该方法能够较快地得到Pareto解集,解集中的参数组合能够满足对支持向量机算法速度和泛化能力的不同要求。     

改进AFSA算法优化SVM的变压器故障诊断

提出一种基于改进人工鱼群算法优化支持向量机（SVM）的变压器故障诊断方法。首先对基本人工鱼群算法进行改进,引入柯西变异优化觅食行为,并在算法的迭代过程中利用鱼群搜索到的信息和[t]分布变异的特点,对劣质个体鱼进行消亡与重生,提高鱼群算法的寻优效率和求解精度。然后,利用改进的人工鱼群算法优化SVM的核函数参数及惩罚系数,使SVM分类器获得最佳的分类精度。最后采用决策导向无环图（DDAG）方法建立变压器故障诊断SVM多分类决策模型。通过仿真实验将提出的方法与网格搜索法Grid-SVM、GA-SVM、PSO-SVM比较,所建模型具有更高的诊断正确率。     

GCPSO优化混合核SVM的地铁车站客流预测

地铁中站点客流量为地铁运营调度部门提供实时调度管理依据。将径向基核函数与多项式核函数线性组合,构建了混合核支持向量回归机（SVM）预测模型。采用基于黄金分割的混沌粒子群（GCPSO）对混合核SVM的参数进行寻优,得到最佳的参数组合。利用该混合核SVM预测广州地铁3号线站点短期客流量。结果表明,GCPSO优化的混合核SVM预测模型对地铁站点的短期客流的预测精度高,预测数据和实测数据拟合良好,相对误差较小,明显优于SVM其他三种预测方法及Elman神经网络预测方法。     

基于离散微粒群优化算法的SVM参数选择

支持向量机（SVM）的学习性能和泛化能力主要取决于参数选择，然而传统的优化算法难以解决此问题。文中通过支持向量的个数建立优化目标函数，采用微粒群优化（PSO）算法对其优化，寻找最优参数。PSO是一种新兴的基于群体智慧的进化算法。实验表明，微粒群优化算法是支持向量机参数选择的有效方法。     

PSO-SVM及其在减速机齿轮诊断中的应用

针对支持向量机(SVM)参数一般是人为选取,无法准确取到最佳值的问题,提出了一种基于粒子群算法(PSO)对参数进行优化的支持向量机(PSO-SVM).以减速机齿轮的3类故障类型(正常、磕碰、磨损)数据作为研究资料,组成训练样本集,训练PSO-SVM分类模型,从训练集中抽取部分数据组成测试样本集,对模型进行检验测试.研究表明:PSO-SVM模型分类正确率达到了93.8%,相较未进行参数优化的SVM,算法能更好地找到全局最优解,提高了模型的分类正确率.     

改进人工蜂群算法优化支持向量机及应用

针对支持向量机(SVM)的惩罚因子和核函数参数选取难度较大的问题,提出利用改进的人工蜂群算法优化支持向量机相关参数的方法。为了提高ABC算法的寻优能力,在原始ABC算法的搜索公式中引入全局搜索因子。利用UCI数据集对优化后的模型进行验证,证明了其良好的性能。将其应用于船舶压载水系统的故障诊断,实验结果表明,IABC算法能够搜索到更优的支持向量机参数,IABC-SVM模型的分类正确率和寻优能力要优于CV-SVM模型和ABC-SVM模型。     

采用PSO和SVM预测大锻坯内部空洞锻合压下率

预测大型锻件内部空洞锻合时的压下率,目前都是局限于有限元数值模拟和一些复杂的数学公式。提出一种新的预测方法,用SVM回归模型预测空洞闭合的临界压下率。选取几个影响空洞闭合的主要因素作为支持向量机的输入特征,用PSO优化SVM的核参数以提高其精度,结合LIB-SVM工具箱,训练出一个SVM模型。该模型可以快速预测锻坯内部空洞锻合临界压下率,将其预测结果与计算机模拟结果相比较,相关系数几乎达到了85%,具有较好的预测性能。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

粒子群优化核极限学习机的变压器故障诊断

核极限学习机（kernel-based extreme learning machine,KELM）在分类性能方面优于支持向量机（SVM）,但仍存在参数敏感性的缺陷。针对这一缺陷,提出一种结合K 折交叉验证（k-fold cross validation,K-CV）与粒子群优化（particle swarm optimization,PSO）的KELM分类器参数优化方法,将CV训练所得多个模型的平均准确率作为PSO的适应度评价函数,为KELM的参数优化提供评价标准。将该方法应用于变压器故障诊断中,充分利用数量有限的样本数据,提高KELM的泛化性能。实验结果表明,相比结合网格搜索（grid）的KELM、结合CV和Grid的KELM以及结合PSO的KELM,结合PSO的CV参数优化方法具有更好的性能。     

基于IHSA_LSSVM的供应链绩效评估研究

为有效评估供应链绩效,结合和声搜索算法(IHSA)与最小二乘支持向量机,提出一种评估算法(IHS_LSSVM)。研究和声搜索算法的原理,对基音调整概率和基音调整步长进行动态调整,给出一种改进的和声搜索算法。利用该算法的全局搜索能力优化选取LSSVM的惩罚因子r和高斯核函数的半径σ。采用供应链绩效评估实例,构建供应链评估模型。仿真实验结果表明,与已有的BP神经网络和LSSVM等评估算法相比,IHS_LSSVM具有更小的预测误差和更高的预测精度。     

提高盲源分离算法有效性的研究与应用

基于信息最大化（Informax）的独立分量分析（independent component analysis-ICA）盲源分离（blind source separation-BSS）算法中,采用现有的非线性转换函数,算法的收敛速度慢、串扰大,分离结果不确定。针对这些不足,本文设计了新的分离函数、推导出新的分离矩阵,并进行了仿真,实验结果验证了：采用新算法可使BSS速度加快、分离后语音信号串扰减小,并在一定程度上解决了BSS排序不确定的问题。     

基于渐进式神经网络架构搜索的人体运动识别

为了解决基于传感器数据的运动识别问题，利用深度卷积神经网络（CNN）在公开的OPPORTUNITY传感器数据集上进行运动识别，提出了一种改进的渐进式神经网络架构搜索（PNAS）算法。首先，神经网络模型设计过程中不再依赖于合适拓扑结构的手动选择，而是通过PNAS算法来设计最优拓扑结构以最大化F1分数；其次，使用基于序列模型的优化（SMBO）策略，在该策略中将按照复杂度从低到高的顺序搜索结构空间，同时学习一个代理函数以引导对结构空间的搜索；最后，将搜索过程中表现最好的20个模型在OPPORTUNIT数据集上进行完全训练，并从中选出表现最好的模型作为搜索到的最优架构。通过这种方式搜索到的最优架构在OPPORTUNITY数据集上的F1分数达到了93.08%，与进化算法搜索到的最优架构及DeepConvLSTM相比分别提升了1.34%和1.73%，证明该方法能够改进以前手工设计的模型结构，且是可行有效的。     

NMT在ADSL与VDSL线路上的仿真验证

非正交多重调制（Non-orthogonal Modulation Technique,NMT）是一种突破了正交限制的全新的调制方法,为了验证NMT的可行性,又为现在广泛采用的有线带宽接入方式ADSL和VDSL采用能进一步提高传输效率的新调制方法提供依据,在ADSL和VDSL线路上与现有的离散多音调制（Discrete Multi-Tone,DMT）调制方法进行了对比计算机仿真的研究。文中在简略描述NMT和DMT的码元结构之后,着重介绍了NMT在工程应用上面对的关键技术问题和解决方法,最后给出了在同等条件下NMT与DMT的仿真实验对比结果,NMT的传输效率比DMT最少提高15%。     

基于HMM与SVM的语音活动检测

工程机械强噪音环境下的噪声源较多,导致电话语音通话无法进行,且强噪声造成无效数据占用带宽。为此,提出基于隐马尔科夫模型(HMM)和支持向量机(SVM)的语音活动检测算法。该算法将提取的美尔频率倒谱系数特征向量输入到HMM识别器中,并通过Viterbi算法得到N维最佳识别结果,将其转换为SVM特征向量输入到SVM分类器中进行分类判别,得到判决结果。实验结果表明,该算法在机械工作噪音的情况下,语音检测率较静态统计类算法平均提高9%,比小波支持向量机方法提高11%,在驾驶室噪音的情况下比小波SVM方法有较小幅度的提高,但其增长速度较快,且比传统的统计类算法提高9%。     

中频降低正交频分复用系统峰均比的改进方法

正交频分复用（OFDM）具有高频谱利用率及抗多径衰落的特性,但其存在峰均功率比（PAPR）较高的问题。为了降低峰均比常用的是基带削峰的方法,而基带信号合成为中频信号后容易产生峰值再生的问题。提出了一种基于中频的噪声成型方法,可以有效改善峰值再生的问题。     

RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现（Rapid Serial Visual Presentation,RSVP）与稳态视觉诱发电位（Steady-State Visually Evoked Potential,SSVEP）组合范式的脑电信号（Electroencephalogram,EEG）刺激与多类事件检测方法。对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树（Bagging Tree,BT）和支持向量机（Supported Vector Machine,SVM）等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径。同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析（Canonical Correlation Analysis,CCA）算法的性能。     

降低OFDM系统峰均比的改进实值遗传PTS算法

为有效降低电力线通信正交频分复用系统峰均功率比问题,以最大效率开发利用电力线通信资源,提出了一种改进的基于遗传算法的部分传输序列技术。传统的遗传算法采用二进制编码,计算繁复且占用大量的空间,因此采用一种新的实数编码方法,在实数域上进行遗传运算。仿真结果证明,算法操作简便且收敛效果好。     

AES算法的CUDA高效实现方法

针对AES算法的ECB工作模式安全性低的弱点, 提出了一种新的ECB工作模式, 并在GPU最新统一计算设备架构(CUDA)下进行了实现。具体并行实现包括线程组织、数据存储结构以及共享内存的性能优化技术。实验结果表明这种新模式增强了AES算法的性能和安全性, 与传统CPU实现相比, 利用 CUDA能够实现显著的加速性能。     

HVS和DWT相结合的数字密写技术研究与实现

提出一种基于人眼视觉系统（HVS）和离散小波变换（DWT）的数字密写算法,结合人眼对遮掩特性的差异,将秘密信息分段嵌入到R、G、B三层的小波中高频系数中,嵌入的顺序按照频带的重要性由低到高嵌入,实验证明,该算法有较好的隐蔽性和较高的嵌入量,通过对彩色图片的数字密写来进行文本信息传输,较好地解决了在互联网上信息传输的通信安全问题。