首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
刘芳  尚群立 《机械制造》2011,49(5):30-32
流程工业过程有众多关键性过程参数难以在线检测,是复杂的非线性和时变的动态系统,给过程优化策略的实施和机理模型的建立造成障碍。最小二乘支持向量机(LS—SVM)算法运算简单、精度高、速度快,采用该算法并以仿真平台对泵式中和这一典型化工过程进行建模研究,结果显示LS—SVM建立的模型拟合误差小,无论拟合精度还是预报时间都明显占优.可以作为中和过程的控制和建模的有效方法。  相似文献   

2.
提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。  相似文献   

3.
为提高基于最小二乘支持向量机(LSSVM)的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化(PSO)的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。  相似文献   

4.
叶蔚  王时龙  雷松 《工具技术》2009,43(10):42-45
针对刀具使用时加工参数多变的实际情况,提出使用最小二乘支持向量机(LS—SVM)建立模型并对刀具磨损进行预测:首先引入最小二乘支持向量机建立刀具磨损模型,然后针对具体实验数据,采用交叉验证的办法,选取优化的核参数。实验和仿真结果表明:该模型可以有效地学习刀具磨损中的非线性关系,刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测,并为切削参数的实际选择提供依据。  相似文献   

5.
基于改进支持向量机的目标威胁估计   总被引:5,自引:0,他引:5  
李姜  郭立红 《光学精密工程》2014,22(5):1354-1362
针对信息融合中目标威胁估计的特点,分析了传统目标威胁估计方法和支持向量机(SVM)的不足。采用粒子群算法(PSO)对SVM中惩罚参数c和核函数g进行优化,建立了改进的SVM(PSO_SVM)目标威胁估计模型及算法。介绍了粒子群算法和支持向量机的原理,建立了一种新的PSO_SVM目标威胁估计模型;基于该模型,实现了PSO_SVM目标威胁估计算法。为适应该算法,对数据进行了预处理,包括数据量化和归一化。交叉验证寻找最佳参数时,采用PSO算法进行优化。采集75组原始数据用于仿真实验,其中60组作为训练集,15组作为测试集。仿真实验表明,该算法预测误差为0,达到了预期目标。实验结果真实、准确地反映了实际情况,证明了该方法的有效性。  相似文献   

6.
提出了一种基于变分模态分解(VMD)和时移多尺度散布熵(TSMDE)的故障特征提取结合改进的蝙蝠算法(IBA)来优化支持向量机(SVM)的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机(IBA-SVM),实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法(PSO)优化支持向量机(PSO-SVM)的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。  相似文献   

7.
杨振章  方景龙 《机电工程》2009,26(11):48-50,97
为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述(SVDD)的新算法。把两类的支持向量机(SVM)问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。  相似文献   

8.
准确地预测残余应力对激光冲击工艺过程中的参数优化有重要的意义。残余应力预测问题实际上是多输入单输出问题,文中利用粒子群优化方法优化支持向量机回归中的参数,建立了残余应力的预测模型。试验结果表明,经PSO算法优化的SVM回归模型具有较高的预测精度。  相似文献   

9.
粒子群优化算法训练模糊神经网络   总被引:1,自引:0,他引:1  
研究合适的神经网络学习算法是令人感兴趣的问题.提出一种用粒子群优化(PSO)算法训练模糊神经网络的方法.PSO的位置向量对应模糊神经网络的权值向量,而PSO的适应函数对应模糊神经网络的目标函数,然后,通过演化PSO达到训练模糊神经网络的目的.用PSO算法训练模糊神经网络预测混沌时间序列的实验结果表明PSO算法性能优良,适合训练模糊神经网络.  相似文献   

10.
改进ABC-SVM的参数优化及应用   总被引:1,自引:0,他引:1  
支持向量机算法(SVM)的回归预测性能在很大程度上取决于模型参数的选择,提出一种基于改进人工蜂群算法的SVM参数优化方法并将其应用于铆接件铆接力的回归预测。针对ABC算法存在难以有效确定参数搜索范围的问题,基于支持向量机的渐近性能确定了ABC算法搜索SVM参数的"好区",再引入线性核函数进一步缩小搜索范围,有效地帮助了ABC算法更快搜索到全局最优参数。在此基础上建立改进的人工蜂群支持向量机(I-ABC-SVM)模型,将其应用于铆接力的回归预测。最后,采用仿真对比实验测试模型性能。仿真实验结果表明,相对于参比模型,I-ABC-SVM不仅表现出很强的泛化能力和较快地搜索速度,而且能够很好地解决SVM参数优化和ABC算法初始化参数设置的难题,同时保证了很好的预测性能。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号