基于改进支持向量机的超声参数与受载混凝土应力状态研究EI北大核心CSCD

在研究支持向量机模拟受载混凝土5个超声参数(波速、首波幅值、主频幅值、非线性系数和超声波谱面积)与应力的关系时,为提高其运算效率和寻优结果。通过数值模拟,对比了不同的归一化方式和核函数对寻找超声参数与应力相关性效果的影响;并采用试验探究了经验参数、遍历算法优化参数和粒子群算法优化参数三种支持向量机的模拟效果。结果表明:提出的首项归一化方式更适用于超声参数与应力这一特殊问题,核函数选择径向基核函数效果更优;不同的支持向量机模拟效果差异明显。简单支持向量机模拟效果较差,在低应力阶段尤为明显;遍历算法优化的模型得到的结果效果较好,但是计算时间过长,在低应力阶段判断误差较大,预测的结果高于真实值;粒子群算法优化支持向量机相比于遍历算法大幅减少了计算时间,模拟的结果效果也最好。     

基于FOA-SVM的汽轮机振动故障诊断

为解决支持向量机算法(Support Vector Machine,SVM)的核函数参数及惩罚因子参数选取的盲目性,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对SVM中参数进行优化。提出基于FOA的SVM故障诊断算法,并对汽轮机故障实验数据进行模式识别。该算法能对SVM相关参数自动寻优,且能达到较理想的全局最优解。通过与常用的粒子群算法(Particle Swarm Optimization,PSO)与遗传算法(Genetic Algorithm,GA)优化后支持向量机进行对比。结果表明,FOA-SVM算法稳定、识别速度快、识别率高。     

基于自适应粒子群算法和支持向量机的控制图模式识别

针对目前多品种、复杂化的生产趋势,提出了一种基于自适应变异的粒子群算法（AMPSO）和支持向量机（SVM）的控制图失效模式识别的方法。利用SVM小样本学习能力,设计一对一的SVM多分类器进行控制图模式识别,并利用AMPSO算法优化SVM核函数的参数。通过对10种控制图模式(6种基本模式和4种混合模式)的20维特征仿真数据对该方法进行检验,并通过与BP、SVM、PSO SVM识别方法的对比分析。仿真试验表明该方法有效提高了控制图模式的识别精度,达到9814%,而BP仅有75%,为控制图在线实时识别提供了一种可行的途径。      

改进MDSMOTE与PSO-SVM在汽车组合仪表分类预测中的应用

汽车组合仪表生产过程中质检项目多且检测时间长,这在一定程度上制约了其生产效率的进一步提升。为此,提出一种基于改进最远点合成少数类过采样技术（max distance synthetic minority over-sampling technique,MDSMOTE）的支持向量机（support vector machine, SVM）分类预测方法。首先,结合专家经验对汽车组合仪表的原始生产数据进行特征筛选,并在MDSMOTE中引入类不平衡率I_R,以对所筛选的特征数据进行扩充;然后,利用粒子群优化（particle swarm optimization, PSO）算法对SVM的误差惩罚因子C和核函数参数γ进行优化;最后,建立优化的SVM分类预测模型,并对汽车组合仪表进行分类。通过与其他分类预测模型在不同数据集上的预测结果进行对比可知,基于改进MDSMOTE的SVM分类预测模型的准确率、F值和几何平均值等评价指标均优于其他模型。所提出方法在汽车仪表产品分类上表现出较强的泛化能力和稳定性,可为仪表制造企业生产效率的提升提供有效参考。     

基于KPCA-SVM模型的电力负荷最大值短期预测方法

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响。以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析（kernel principal component analysis,KPCA）算法将10维的影响因素降为5维,其累计贡献率可达93.70%。以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机（support vector machine,SVM）回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.004 1,相关系数为0.963 1。研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力。     

基于支持向量机的产品感性意象值预测方法

为设计出符合消费者感性需求的产品,提出基于支持向量机的产品感性意象值预测方法。先确定产品的感性意象、造型设计要素以及感性评价矩阵。在此基础上,以造型设计要素为自变量,以感性意象评价值为因变量,利用LIBSVM软件,通过对惩罚函数、不敏感损失函数以及核函数等相关参数的分析设置,建立产品感性意象值的预测模型。结合办公座椅进行研究,结果表明支持向量机具有较高的预测精度,所提出的方法是正确可行的。     

基于支持向量机的机械系统状态组合预测模型研究

提出了一种新的支持向量机（Support Vector Machines，SVM）机械系统状态组合预测模型。应用FPE（Final Principle Error）准则优化样本的维数，采用时域内的振动烈度和频域内的特征频率分量作为预测机械系统状态的敏感因子，构建了预测模型。支持向量机采用新型的结构风险最优化准则，预测能力强、鲁棒性好。采用径向基函数和ε损失函数，将该模型应用于实验台和旋转注水机组的状态预测，取得了较好的效果。这表明利用支持向量机的组合预测模型，可以降低设备维修代价，提高设备的安全性和可靠性。     

基于网格搜索与交叉验证的SVM磨机负荷预测

针对实际生产中只能依据专家经验判断磨机负荷(ML)状态,难以检测ML及其直接相关参数的问题,该文通过分析反应磨机内部负荷的振动信号,提取频谱特征,利用支持向量机(SVM)建立磨机负荷参数的预测模型。为解决SVM核函数参数g和惩罚因子C主观选取问题,提出采用网格搜索与交叉验证相结合的方法,对SVM参数进行优化。最后基于Matlab与VC混合编程,建立仿真平台,实现球磨机负荷参数的预测仿真。分别利用SVM默认参数和最佳优化参数代入ML回归预测模型,通过参数ML预测对比,得到SVM最佳优化参数下训练的平均平方误差(MSE)和平方相关系数(r2)均优于SVM默认参数下的预测结果。     

基于FOA-SVM的超声信号端点检测

在超声缺陷识别系统中,端点检测是确保缺陷准确识别的重要环节。为提高在实际探伤过程中端点检测的准确率,提出一种以果蝇算法优化支持向量机的端点检测方法。针对超声检测信号的特点,采用小波包变换提取反映该信号性质的特征向量。鉴于传统方法检出率不高及支持向量机(SVM)参数难确定的问题,利用果蝇算法(FOA)优化SVM的惩罚子和核参数,提高支持向量机建模准确度。试验结果表明:FOA-SVM模型的平均检出率达到97.5%,端点检测效果明显优于传统的双门限法、普通SVM模型和GA-SVM模型。     

膨润土塑性混凝土渗透系数的组合预测模型

在分析膨润土塑性混凝土各组分对渗透系数影响规律的基础上,将人工神经网络（ANN）与支持向量机（SVM）等方法融合使用,建立膨润土塑性混凝土渗透系数与各组分掺量之间的映射关系组合预测模型;并应用均值绝对百分率误差（MAPE）、均方根误差（RMSE）和有效系数（Er）等性能指标对预测禊趋的准确性进行对比与评价;结果表明,融合后的组合预测模型对膨润土塑性混凝土渗透系数的预测精度较高,为塑性混凝土渗透系数的预测提供了理论依据,在膨润土塑性混凝土的配合比设计及应用塑性混凝土施工等方面具有一定的参考价值。     

基于GSA-SVM的循环流化床锅炉NOx排放特性模型

为了准确地预测循环流化床锅炉NOx排放量,以某热电厂循环流化床锅炉燃烧数据为样本,提出了基于支持向量机（SVM）的循环流化床锅炉NOx排放特性GSA-SVM模型。由于SVM精度及泛化能力依赖于参数选择,故将万有引力搜索算法（GSA）运用到模型参数寻优过程中,利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与BP神经网络、粒子群(PSO)和遗传算法(GA)优化的SVM模型进行比较,仿真实验证明GSA-SVM模型具有很好的辨识能力及良好的泛化能力。     

基于支持向量机的高速公路事故实时风险预测

以高速公路事故数据、交通流数据和天气数据为基础,以交通流为事故主要影响因素,建模预测高速公路事故实时风险。将事故记录作为病例组,采用病例对照方法来配对匹配实验样本,通过随机森林算法从众多变量中筛选出对事故风险影响最重要的10 个特征变量,以支持向量机建立模型预测事故实时风险。实验表明,通过随机森林筛选重要的特征变量,再使用支持向量机建模预测事故风险具有可行性,且以高斯核、Sigmoid核作为支持向量机的核函数比线性核函数和多项式核函数时分类准确性更高;其中,高斯核下支持向量机模型对事故风险预判的准确率达73.20%,对正常交通流的分类达91.44%。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

SVM和改进的PSO在压路机驾驶室结构噪声优化中的应用

针对压路机驾驶室结构噪声,将拉丁超立方试验设计、支持向量机近似模型、改进的粒子群优化算法相结合,通过修改驾驶室主要板件的板厚参数降低压路机结构噪声。建立一套基于支持向量机和粒子群算法控制车内结构噪声的设计流程。针对粒子群可能出现局部最优解的问题,对粒子群进行了改进。并利用改进的粒子群优化支持向量机参数,构建高拟合精度的支持向量机模型代替有限元模型。并用改进的粒子群算法对该模型进行板厚寻优,找到一组最佳的板厚参数使得参考点(驾驶员右耳处)声压级最小,减少计算工作量,提高优化效率。     

Fatigue life prediction for vibration isolation rubber based on parameter‐optimized support vector machine model

Given the small sample size, nonlinearity, and large dispersion of the measured data of fatigue performance for vibration isolation rubbers, the fatigue life prediction model for vibration isolation rubber materials was established using a support vector machine (SVM). A modified gravity search algorithm (MGSA) is proposed to optimize the parameters of the SVM. Using environmental temperature, the Rockwell hardness of the rubber compound, and the engineering strain peak as the input variables, the model was trained based on the experimental fatigue data of vibration isolation rubber materials. For comparison, the standard genetic algorithm, the standard particle swarm algorithm, and the standard simulated annealing algorithm are also implemented. Moreover, a back propagation neural network regression model is applied to the life prediction, with the conclusion that the prediction accuracy and the efficiency of MGSA are better than those of extant methods. This work can provide reference for further fatigue life prediction and structural improvement of rubber parts.     

Application research on semi-definite programming optimized support vector machines

The kernel function optimization is the key issues to address when using the support vector machine (SVM) algorithm. To solve the parameter selection for the SVM, a semi-definite programming optimized SVM (SDP-SVM) algorithm is proposed in this paper. The steps of the algorithm are described, and the optimization of the kernel function is shown using an SDP method. The SDP method is used to find the best parameter of SVM. The heart_scale data in the University of California Irvine database are then simulated using the SDP-SVM model. The experimental results shows that the generalization capability and the classification accuracy of the SDP-SVM algorithm have been greatly improved. A variety of strip-steel surface defect images from actual production are classified using the SDP-SVM algorithm, and the results show that the classification method of the SDP-SVM algorithm has high classification accuracy, strong practicability, and a wide variety of application prospects.     

基于GWO的SVM在红外甲烷传感器测量误差分析中的应用

针对传统支持向量机回归模型应用在红外甲烷传感器测量数据处理时出现预测精度低的问题,提出了一种基于灰狼优化算法的支持向量机回归模型。该模型在传统支持向量机的基础上,利用灰狼优化算法自适应搜索特征空间来选择最佳特征组合,经过循环比较,能快速、准确地搜索到最优的惩罚因子C与gamma参数。用实验室研制的红外甲烷传感器对0～5.05%浓度范围的标准甲烷气体进行测量后,建立了3种SVM回归模型,并进行对比。结果表明,采用灰狼优化算法建立的支持向量机回归模型其绝对误差和相对误差小,精度高。     

基于特征融合和B-SVM的鸟鸣声识别算法

为了实现在野外通过低成本嵌入式系统识别鸟类,提出了基于特征融合和B-SVM的鸟鸣声识别方法。对鸟鸣声信号提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、短时能量和短时过零率组成特征参数,通过线性判别算法对特征参数进行特征融合。利用黑寡妇算法通过测试集对支持向量机模型的核参数和损失值进行优化得到B-SVM模型。利用Xeno-canto鸟鸣声数据集对本文算法进行了测试,结果表明该方法的识别准确率为93.23%。算法维度参数的大小和融合特征维度的高低是影响算法识别效果的重要因素。在相同条件下,文中所提的基于特征融合和B-SVM模型的鸟鸣声识别算法相较于其他特征参数和模型,识别的准确率更高,为野外鸟类识别提供了参考。     

基于相关向量机的电站锅炉NOx燃烧优化

为了降低电站锅炉NOx排放量,采用一种新的机器学习方法--相关向量机对某330 MW煤粉汽包锅炉的一、二次风速以及含氧量等26个输入参数和NOx输出结果进行建模,并用万有引力算法对模型的参数进行优化,获得最优模型。与粒子群算法、遗传算法优化相关向量机以及万有引力算法优化支持向量机等进行了比较,选择锅炉输入参数中的可调变量为优化变量,以NOx低排放量为目标进行优化,获得低NOx排放的输入参数。结果证明:万有引力优化相关向量机算法建立的模型精确度比其它几种算法高,对模型进行低NOx优化后,NOx输出值由最初的的906.65 mg/m³变为550.600 mg/m³,下降幅度约为38.9%,实现了NOx排放量大幅度降低。