基于混合核RVM理论的大坝变形监控优化模型

鉴于大坝安全监测评价中相关向量机(RVM)模型性能的优劣取决于核函数选择的问题,采用混合核函数(即结合局部核函数和全局核函数)进一步提升RVM模型在大坝安全建模过程中的拟合预报精度,并采用改进粒子群算法对其寻优。经实际工程验证,基于混合核RVM理论的优化模型可在一定程度上提升模型的性能。     

RVM-MC模型在大坝变形监控中的应用

基于相关向量机(RVM)本身泛化能力优良,对解决高维数的非线性问题效果明显的优点,将相关向量机应用于大坝安全监控中,采用一种改进的粒子群算法(APPSO)对核函数进行寻优,同时利用马尔科夫链处理模型残差以提高模型的拟合预测精度,进而建立RVM-MC监控模型。实例应用结果表明,与标准RVM模型相比,RVM-MC模型精度和泛化能力均有了显著提高。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于APPSO-RVM与APPSO-SVM的大坝安全预警模型的应用比较研究

为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。     

基于不同核函数的某重力拱坝相关向量机模型精度比较

鉴于相关向量机的模型精度受核函数的影响较大,建立了基于修正高斯核函数、多项式核函数及其混合核函数的某重力拱坝相关向量机模型,并利用自适应粒子群算法对核函数的参数进行寻优。实例应用结果表明,混合核函数的性能最优,可提高大坝安全预测精度。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于改进的PSO-SVM法的大坝安全非线性预警模型研究

针对常用的大坝安全预警模型存在的不足,将改进的粒子群(PSO)算法与支持向量机(SVM)相结合,建立了基于改进的PSO-SVM法的大坝安全非线性预警模型,即利用粒子群算法对支持向量机模型的参数进行寻优,同时为防止粒子群寻优过程陷入局部最优点,引入了位置因子和速度因子,并通过实例应用做了比较。结果表明,改进后的模型有效摆脱了粒子群陷入局部最优点,且具有更好的非线性拟合能力和泛化能力,可用于复杂大坝安全非线性预警建模。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

基于海鸥优化算法的相关向量机模型在径流预测中的应用

为提高径流预测精度,提出了基于海鸥优化算法(SOA)的相关向量机(RVM)径流预测模型(SOARVM)。选取4个标准测试函数对SOA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,利用SOA优化RVM核宽度因子和超参数,建立SOA-RVM径流预测模型,利用云南省龙潭站年径流及枯水期1～3月月径流预测对SOA-RVM模型进行验证,并将预测结果与RVM、SOA-SVM、SVM、SOA-BP、BP模型进行比较。结果表明,SOA在不同维度条件下仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;SOA-RVM模型对实例年径流和1～3月月径流预测的平均相对误差分别为1.77%、4.46%、5.40%、4.03%,预测精度优于RVM、SOA-SVM、SVM、SOA-BP、BP模型。可见SOA-RVM模型具有更好的预测精度,可用于径流预测研究。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

A novel predicting method on degree of catalytic reaction in fuel cells

An accurate assessment of the utilization of a catalyst for fuel cells is beneficial for guiding the optimization of working conditions and adjustment of parameters. In this study, a composite model containing the numerical model of catalyst layers and improved support vector machine (SVM) is proposed to predict the catalyst utilization. The effectiveness factor of the field of catalytic reaction engineering is introduced into the numerical model. The adaptive learning factor and the differential evolution strategy are introduced to improve the ability of generalization and robustness of the distinguishing method in the SVM. The results indicate that the radial basis function is well-suited as the kernel function of the SVM, and the accuracy of the prediction in the anode and cathode can be increased up to 99.31% and 99.65%, respectively. The increasing transfer coefficient leads to an enhancement of the catalytic reaction, and the particle size of the catalyst impacts the catalytic reaction mainly by changing the pattern of internal diffusion. Pressure has little impact on the Knudsen diffusion.     

基于振动谱时频图像特征及SVM参数同步优化识别的内燃机故障诊断

为实现内燃机振动谱时频图像特征的自动提取及识别,提出了一种基于振动谱时频图像特征优选及SVM(support vector machine)同步优化识别的内燃机故障诊断新方法.该方法首先采用小波包生成内燃机振动谱时频相平面图,然后从内燃机振动谱图像的形状特征、灰度统计特征和纹理特征来提取特征参数,最后将支持向量机引入内燃机振动谱图像识别中,并针对机械振动谱图像特征参数优选问题,以及SVM的核函数及核函数参数选择问题,提出了基于免疫克隆选择机理的特征选择和SVM参数同步优化算法.内燃机故障诊断实例表明,所提方法故障分类准确率达到了98.92%,验证了该方法的有效性.该方法为实现内燃机振动谱图像特征的自动提取及识别探索了一条新途径.     

一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法

为解决风电齿轮箱状态监测数据样本量较少,特征指标间存在相互干扰且具有非线性难以分类等问题,本文提出了一种基于主成分分析结合支持向量机的风电齿轮箱故障诊断方法。首先,采用主成分分析法（PCA）对原始数据进行降维,做出第1,2主成分二维图及前3个主成分三维图,表明PCA对监测状态数据具有一定的分类效果。其次,提取累计贡献率80%以上的前5个主成分作为数据集。最后,采用支持向量机（SVM）比较4种不同核函数的诊断准确度,并加入噪声验证。分析结果表明：径向基核函数构建的支持向量机总体分类精度达到97%,准确率最高;在含噪的情况下,线性核函数与径向基核函数分类精度达到94%;与MLP神经网络进行对比发现,支持向量机更适应小样本分析且测试精度较高。实例分析表明,主成分分析结合支持向量机有较好的分类效果,适用于风电齿轮箱故障诊断的工程应用。     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

Artificial intelligence techniques for the vibration,noise, and emission characteristics of a hydrogen-enriched diesel engine

The present paper investigates the prediction of vibration, noise level, and emission characteristics of a four-stroke, four-cylinder diesel engine fueled with sunflower, canola, and corn biodiesel blends while H₂ injected through inlet manifold using two different artificial intelligence methods: artificial neural network (ANN) and support vector machines (SVM). The aim of using these methods is to predict vibration, noise, carbon monoxide (CO), CO₂, and NO_x based on the initial experimental study by varying engine speed, blends of biodiesel, and H₂ energy substitution ratio. Experimental data were gathered from the literature. For the ANN method, LevenbergMarquardt backpropagation training algorithm with logarithmic sigmoid and linear transfer function for hidden and output layers, respectively, gives the best results for prediction of vibration, noise, and emission characteristics. For SVM, a regression model is implemented with Gaussian kernel function. Results show that the ANN performs better than SVM, and the best mean average percent error and R² for the models developed are 2.03 and 0.988 for vibration acceleration, 0.39 and 0.9615 for noise, 7.27 and 0.8549 for CO, 5.09 and 0.9398 for NO_x, and 2.21 and 0.993 for CO₂ values, respectively. Eventually, it is found that the ANN method is a good choice for simulation and prediction of dual fueled hydrogen sunflower, canola, and corn biodiesel blends.