飞机复合材料结构损伤的预测方法

针对复合材料结构损伤机理的复杂性,很难准确预测结构损伤状态,本文提出一种基于动态主元分析(DPCA)和最小二乘支持向量机(LS-SVM)相结合的复合材料结构损伤演化预测新方法,并针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用经验模态分解(EMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(IMF),并通过计算各阶IMF分量的奇异熵作为各传感器的特征信息;然后采用DPCA对多传感器的奇异熵进行降维融合,得到融合后的奇异熵特征,再对其采用距离形态相似度方法定义结构健康指数;最后将结构健康指数作为建模数据,创建LS-SVM预测模型,并通过预测模型对飞机复合材料结构健康指数进行预测,其预测结果直接反映了飞机复合材料结构的健康状态。试验验证表明,该方法可有效地实现飞机复合材料结构损伤预测效能,具有很好的工程应用价值。     

基于PSO优化LS-SVM算法的水电站厂房结构振动响应预测

振动问题是攸关水电站运行安全的重要课题。水电站厂房结构振动主要由水力、机械和电气三大类振源引起,厂房结构与机组之间存在非线性的耦联振动关系。本文依据二滩水电站地下厂房和机组的原型观测数据,首先对机组和厂房结构振动的相关性进行了分析,据此建立了基于粒子群优化最小二乘支持向量机算法的厂房振动响应预测模型,预测结果与实测资料吻合。在此基础上,本文将运行水头作为输入因子引入到智能预测模型中,扩大了该智能预测模型的适用范围,取得了很好的效果。     

基于LS-SVR岩石爆破块度预测

为了准确预测小样本条件下露天矿山岩石的爆破块度,并得到小样本条件下预测露天矿山爆破块度的有效方法,借助最小二乘支持向量机工具(LS-SVMlab)构建基于最小二乘支持向量机回归(LS-SVR)预测模型并合理优化模型参数。分别使用15组露天矿山爆破数据和35组爆破数据作为小样本容量和正常样本容量,对模型的预测精度进行检验。结果表明:两种样本容量下LS-SVR预测模型的预测结果精度都比同样本容量下人工神经网络(ANN)回归预测的结果精度更高,说明所提出的LS-SVR模型适用于预测露天矿山爆破块度,并且在小样本条件下更具优势。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,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,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

基于鲁棒LS-SVM的控制图模式识别

提出一种基于鲁棒最小二乘支持向量机(LS-SVM)的控制图模式识别方法,并研究其应用于过程质量诊断的可行性、有效性.理论研究和仿真试验结果表明,该方法对于标准的6种控制图模式都具有很高的模式识别率,训练模式识别器所需样本少,且训练结果泛化能力强,计算方法简单迅速.     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

基于功能驱动的产品价格预测

以最小二乘支持向量机为工具,构建了基于功能驱动的产品价格预测模型.并以诺基亚手机产品价格预测为例,说明了样本功能数据标准化的原则及模型的计算过程.经随机选用2005年度诺基亚两款手机价格预测检验,模型预测误差分别为-11.89%、10.27%.     

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

基于LS-SVM的某型装备保障性能评估研究

针对军事油料装备保障性能指标参数多样性、变化性的特点,研究了新型支持向量机算法--最小二乘支持向量机,并设计了基于多元分类的最小二乘支持向量机;建立了装备保障性能评估的最小二乘支持向量机决策模型;以某型油料装备为例,运用模型确立的保障性能评估指标体系和支持矢量学习决策模式,对其保障性能进行了评估.该研究结果对于优化提高装备保障性能,增强装备保障能力具有重要现实意义.     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

最小二乘支持向量机的扩展及其在时间序列预测中的应用

根据时间序列近期数据较远期数据包含有更多未来信息的思想,对最小二乘支持向量机预测方法进行了扩展,得到了更具一般性的最小二乘支持向量机预测模型,给出了扩展后的预测模型具体算法。两个时间序列的预测实例表明,扩展后的预测方法获得了更好的预测效果,提升了最小二乘支持向量机预测方法的价值。     

基于GA-LSSVM模型的管道腐蚀速率预测研究

腐蚀速率是反映管道腐蚀动力学过程的重要特征参数,为实现对管道长期运行可靠性和剩余寿命的精准评估,对腐蚀速率的预测显得尤为重要.最小二乘支持向量机(LSSVM)是一种基于机器学习的方法,常用于分类和预测研究,惩罚参数γ与核参数σ2是LSSVM的2个重要参数,在进行计算时只能经验取值,对计算结果影响较大.通过利用遗传算法(...     

基于改进果蝇算法与最小二乘支持向量机的轧制力预测算法研究

铝合金板材精轧过程中,轧制力是影响板材质量的重要因素。为了满足轧制现场的轧制力预报精度要求,采用改进果蝇算法(FOA)与最小二乘支持向量机(LSSVM)相结合进行轧制力预测。改进了果蝇算法的味道浓度判定函数和步长设定方法,采用了分组并行搜索的策略,进而提出一种基于改进FOA-LSSVM的轧制力智能预报方法。将该方法用于铝热连轧现场数据的仿真实验,结果表明样本预测误差在10%以内,其中84%的样本误差在5%以内,精度优于传统模型。     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上,探讨了一种利用LS-SVM进行传感器动态误差补偿的方法,并给出了相应的过程和算法。与标准SVM补偿方法比较,该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,在相同样本条件下,使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明,在噪声条件下,LS-SVM方法的补偿误差约为SVM的40％。因此,LS-SVM补偿方法学习速度快,抗噪声干扰能力强,更适合传感器动态补偿。     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。     

基于形态优化滤波和最小二乘支持向量机的轴承故障分析

为实现滚动轴承故障分析,提出基于形态优化滤波和最小二乘支持向量机的轴承故障分析方法。首先,通过判别指标最大化原则确定最佳形态滤波算子;然后,用最佳形态滤波算子对滚动轴承实例故障信号进行降噪分析;最后,利用粒子群对模型参数进行寻优,利用最小二乘支持向量机建立轴承故障分析模型,并对模型效果进行评价。实验结果表明:该方法从模型稳定性、预测准确度、模型复杂度3个方面考虑,故障分析结果较优,能够更好地提取轴承故障特征信息。     

模型参数迁移的改进LS-SVM算法及其应用

针对目标领域样本不足的问题,提出了一种基于模型参数迁移的改进LS-SVM算法.在LS-SVM的基础上加入了迁移项,使得模型既保持了LS-SVM的基本属性,即最大化几何间隔,又能够有效地使用源领域的已知知识.通过图像分类验证了本算法比其他迁移算法具有更好的分类精度.     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.