回归最小二乘支持向量机的增量和在线式学习算法

首先给出回归最小二乘支持向量机的数学模型，并分析了它的性质，然后在此基础上根据分块矩阵计算公式和核函数矩阵本身的特点设计了支持向量机的增量式学习算法和在线学习算法．该算法能充分利用历史的训练结果，减少存储空间和计算时间．仿真实验表明了这两种学习方法的有效性．     

A Hybrid Heat Rate Forecasting Model Using Optimized LSSVM Based on Improved GSA

Heat rate value is considered as one of the most important thermal economic indicators, which determines the economic, efficient and safe operation of steam turbine unit. At the same time, an accurate heat rate forecasting is core task in the optimal operation of steam turbine unit. Recently, least squares support vector machine (LSSVM) is being proved an effective machine learning technique for solving nonlinear regression problem with a small sample set. However, it has also been proved that the prediction precision of LSSVM is highly dependent on its parameters, which are hardly choosing for the LSSVM. In the paper, an improved gravitational search algorithm (AC-GSA) is presented to further enhance optimal performance of GSA, and it is employed to serve as an approach for pre-selecting LSSVM parameters. Then, a novel soft computing method, based on LSSVM and AC-GSA, is therefore proposed to forecast heat rate of a 600 MW supercritical steam turbine unit. It combines the merits of the high accuracy of LSSVM and the fast convergence of GSA in order to build heat rate prediction model and obtain a well-generalized model. Results indicate that the developed AC-GSA–LSSVM model demonstrates better regression precision and generalization capability.     

船舶航向保持变论域模糊–最小二乘支持向量机复合控制

针对船舶航向运动具有强非线性,并受各种不确定随机干扰的作用,提出了基于最小二乘支持向量机与变论域模糊逻辑的船舶航向保持复合控制方案,该控制方案利用最小二乘支持向量机良好的非线性映射能力建立船舶操纵系统的逆动力学模型,引入协调控制因子,与变论域模糊控制复合形成控制闭环,提高控制系统的控制精度和鲁棒性.仿真结果表明,本文所设计的航向保持控制系统效果良好,对海情的变化具有较好的自适应能力.     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

基于- 范数约束的LSSVR 多核学习算法

针对核函数选择对最小二乘支持向量机回归模型泛化性的影响, 提出一种新的基于????- 范数约束的最小二乘支持向量机多核学习算法. 该算法提供了两种求解方法, 均通过两重循环进行求解, 外循环用于更新核函数的权值, 内循环用于求解最小二乘支持向量机的拉格朗日乘数, 充分利用该多核学习算法, 有效提高了最小二乘支持向量机的泛化能力, 而且对惩罚参数的选择具有较强的鲁棒性. 基于单变量和多变量函数的仿真实验表明了所提出算法的有效性.

     

基于线性趋势模型与LSSVM的校准间隔组合预测

针对仪器校准间隔的预测问题,提出了基于线性趋势模型和LSSVM的一种新的组合预测方法.该方法综合运用线性趋势模型良好的趋势项拟合能力和LSSVM强大的非线性映射功能,具有很高的预测精度.实例验证表明:该方法优于现有方法.     

基于LSSVM的卫星姿态控制系统故障诊断

提出了一种基于最小二乘支持向量机(LSSVM)非线性观测器的卫星姿态控制系统故障诊断方法。与标准的支持向量机回归算法相比,最小二乘支持向量机回归算法收敛速度快,适用于在线训练。该方法利用其回归逼近非线性函数的能力,设计基于最小二乘支持向量机的非线性系统状态观测器,在线训练最小二乘支持向量机回归,并用于估计卫星姿态控制系统故障。最后,通过仿真验证了这种方法可以快速准确地估计出卫星姿态控制系统的故障。     

最小二乘支持向量机用于常压塔汽油干点的软测量

最小二乘支持向量机(least squares support vector machine,LSSVM)为一种遵循结构风险最小化原则的核函数学习机器,其训练仅需求解一个线性方程组,且超参数较标准支持向量机更少.由于其实现简单且预测效果良好,近年来在化学、化工领域的应用日益广泛.本文研究了基于LSSVM的软测量建模过程中的数据预处理和优选超参数等问题,并将其应用于常压塔塔顶汽油干点的软测量建模.计算结果表明,其预测精度能够满足生产实际要求,是一种简单有效的非线性软测量建模工具.     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

Optimal Locality Regularized Least Squares Support Vector Machine via Alternating Optimization

The least squares support vector machine (LSSVM), like standard support vector machine (SVM) which is based on structural risk minimization, can be obtained by solving a simpler optimization problem than that in SVM. However, local structure information of data samples, especially intrinsic manifold structure, is not taken full consideration in LSSVM. To address this problem and inspired by manifold learning technique, we propose a novel iterative least squares classifier, coined optimal locality preserving least squares support vector machine (OLP-LSSVM). The idea is to combine structural risk minimization and locality preserving criterion in a unified framework to take advantage of the manifold structure of data samples to enhance LSSVM. Furthermore, inspired by the recent development of simultaneous optimization technique, adjacent graph of locality preserving criterion is optimized simultaneously to give rise to improved discriminative performance. The resulting model can be solved by alternating optimization method. The experimental results on several publicly available benchmark data sets show the feasibility and effectiveness of the proposed method.     

基于支持向量机的预测函数控制

针对化工过程存在的强非线性生产过程，提出了基于支持向量机技术预测模型的预测函数控制方法。利用支持向量回归的方法对非线性过程进行建模，采用预测函数控制方法进行控制。针对具有强非线性连续搅拌反应釜过程进行仿真，仿真结果表明：支持向量机的建模方法可以有效地解决强非线性的化工过程的建模问题，并且具有较好的泛化能力，基于这种预测模型的预测函数控制具有较好的控制性能和良好的跟踪能力及抗干扰能力。     

基于支持向量机的中文分词

中文分词是中文信息处理的基础,也是很多中文应用首先要面对的问题。目前效果最好的分词模型是词位标注法,该方法需要使用一个分类器对每个汉字的位置进行判定。基于统计学习理论的支持向量机较好地解决小样本、非线性、高维数和局部极小点等实际问题,被公认为是优秀的机器学习方法和分类算法。实现一个基于支持向量机的中文分词系统,并在实验中取得较好的结果,证明支持向量机适用于中文分词时的词位标注问题。     

基于LS-SVM组合预测的地空导弹发射车液压系统油液污染度预测

为了提高组合预测精度,将最小二乘支持向量机(LS-SVM)用于确定组合预测的函数关系,提出了基于LS-SVM的非 线性组合预测方法;为了提高LS-SVM的学习性能和泛化能力,提出了利用粒子群优化算法(PSO)和K-重交叉验证(CV)相结合的参数寻优方法;最后利用提出的方法对某导弹发射车液压系统的液压油污染度进行了预测,...     

基于支持向量机的中文分词

中文分词是中文信息处理的基础,也是很多中文应用首先要面对的问题。目前效果最好的分词模型是词位标注法,该方法需要使用一个分类器对每个汉字的位置进行判定。基于统计学习理论的支持向量机较好地解决小样本、非线性、高维数和局部极小点等实际问题,被公认为是优秀的机器学习方法和分类算法。实现一个基于支持向量机的中文分词系统,并在实验中取得较好的结果,证明支持向量机适用于中文分词时的词位标注问题。     

基于支持向量机的高速公路限速控制

提出用支持向量机回归方法实现高速公路限速控制,这是一个非线性系统建模问题。阐述了支持向量机回归算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制支持向量机回归模型。仿真实验表明,支持向量机回归对小样本具有训练速度快、泛化能力好等优点。支持向量机回归方法为交通流限速控制的在线建模提供了一种切实可行的新思路。     

基于核模糊聚类的多模型LSSVM回归建模

针对大规模数据采用单模型回归存在精度差和计算量较大的问题,提出一种基于核模糊聚类的多模型最小二乘支持向量回归建模方法.该方法首先使用基于条件正定核的模糊C均值聚类算法对数据集做出聚类划分;然后针对每个聚类做最小二乘支持向量回归估计;同时根据每个聚类内数据分布的特征,给出了一种简单的核参数选择方法.利用数值仿真实验进行非线性函数估计,实验结果表明了所提出的方法具有良好的精度和泛化能力.     

稀疏最小二乘支持向量机及其应用研究

提出一种构造稀疏化最小二乘支持向量机的方法．该方法首先通过斯密特正交化法对核矩阵进 行简约,得到核矩阵的基向量组;再利用核偏最小二乘方法对最小二乘支持向量机进行回归计算,从而使最 小二乘向量机具有一定稀疏性．基于稀疏最小二乘向量机建立了非线性动态预测模型,对铜转炉造渣期吹炼 时间进行滚动预测．仿真结果表明,基于核偏最小二乘辨识的稀疏最小二乘支持向量机具有计算效率高、预 测精度好的特点．     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

基于LSSVM的静态手势识别

支持向量机(Support Vector Machine，简称SVM)，是基于统计学习理论的一种新的模式识别方法，较好地解决了小样本学习问题。通过使非线性空间变换为线性空间，降低了算法的复杂性。LSSVM(Least Squares Support Vector Machine)由于使用线性等式代替了标准的SVM算法中的线性不等式，进一步降低了运算量。利用傅立叶描述子获取静态手势特征向量，通过LSSVM大尺度算法求解方程组来得到LSSVM分类器，进行静态手势识别，取得了较高的识别率。说明如何把静态手势识别结果应用到机器人远程控制中，提高人机交互的友好性。     

无轴承永磁同步电机最小二乘支持向量机非线性建模

无轴承永磁同步电机的磁链特性表现为严重的非线性, 常规的解析法所建立的模型难以准确反映无轴承永磁同步电机的实际特性. 因此, 提出利用最小二乘支持向量机建立无轴承永磁同步电机非线性模型的新方法. 在介绍最小二乘支持向量机回归理论的基础上, 利用有限元法得到的样本建立了无轴承永磁同步电机的最小二乘支持向量机非线性模型, 并与神经网络方法进行了比较. 仿真结果表明, 所建模型具有较好的鲁棒性和预测精度. 最后给出了应用该模型实现无轴承永磁同步电机优化控制的方法.