最小二乘支持向量机在软测量建模中的应用

支持向量机(Support Vector Machine．SVM)应用结构风险最小化理论，从训练集中选择一组特征子集。使得对特征子集的线性划分等价于对整个数据集的分割。支持向量机最初应用于模式识别，随后开始在信号处理、函数逼近等领域也得到了广泛发展。支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所需学习数据较少等优点。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

基于支持向量机的石脑油干点软测量建模研究

原油精馏装置处于石油化工厂工艺流程的最前端,石脑油是精馏装置的主要产品之一,干点值是衡量石脑油质量的一个重要参数指标,通过现有测量手段不能得到干点的实时测量值。而支持向量机是近年发展起来的一种基于统计学习理论的学习机器,在模式识别和非线性函数回归估计方面有很多的应用。文中旨在通过采用软测量技术得出石脑油干点的实时监测信息,着重讨论基于支持向量机回归和最小二乘支持向量机回归的软测量建模方法。     

基于支持向量机的软测量方法在火电厂节能监测中的应用

针对国内火电厂热工过程中传统的测量方法不易测量参数的困难,探讨研究了软测量方法在火电厂节能监测中的最新进展与应用.提出了基于支持向量机的软测量方法.支持向量机是新的机器学习方法,较好地解决了小样本、非线性、高维数、局部极小点等实际问题.以其为依据建立了烟气含氧量的软测量模型,并将模型用于烟气含氧量的预估,结果证明支持向量机是软测量建模非常有效的方法.     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

基于支持向量机的赖氨酸发酵生物参数软测量

微生物发酵过程中生物参数难以在线实时测量,给优化控制带来用难.为了解决测量问题,采用软测量方法对不可测的生物参数通过辅助变量的计算实现在线估计,软测量的模型用标准支持向量机构建,数据集来自5个批次的赖氨酸发酵实验.发酵过程中流加葡萄糖溶液和氨水,实验数据由VKT-30L发酵实验系统自动采集记录,二氧化碳释放率与摄氧率由尾气分析装置经过二次计算得到.模型经过训练后进行仿真计算,能够较准确地输出生物参数预测值,比径向基神经网络模型有更强的推广能力和更高的预测精度.     

基于nu-支持向量机的软测量技术

利用支持向量机(SVM)来进行软测量建模,首先简要介绍nu-SVM的基本原理,随后利用它来建模重油催化裂化装置.理论分析和仿真研究表明,该方法泛化能力强、对样本的依赖程度低,比基于神经网络的软测量具有更好的性能.     

锅炉水总碱度的软测量方法

锅炉是工业企业最重要的热交换装置,通过对锅炉水总碱度的监测与预测,可以改变锅炉水质的结垢倾向,减少锅炉事故的发生,对提高企业的生产效率有着重要的意义.软测量技术广泛应用于工业过程,其核心是建立一个可靠的软测量模型.为了实现对锅炉水总碱度的预测,基于FIA系统测定的混合碱溶液的浓度和电压值,文章提出使用PLS和LSSVM的软测量技术来预测锅炉水中NaOH和Na2CO3的浓度,比较二者在预测精度和建模时间上的优劣,在此基础上建立PLS-LSSVM模型,试验和仿真结果表明PLS-LSSVM模型的预测方法将NaOH的平均相对误差从17.48％降低到了4.54％,而Na CO3的预测平均相对误差从17.52％降低到了3.64％,其预测效果可以更好地满足工业现场的需求.     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单、可对故障在线分类和故障分类能力强的优点     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine, SVM)的滚动轴承故障诊断方法。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化。试验结果表明了方法的有效性。     

基于SVM实现虚拟协作伙伴的选择

随着经济全球化和网络进程的加快，企业只有开展协作与合作伙伴关系才能更好地生存和发展，因此确定伙伴选择的数学模型和优化非常必要。本文在介绍支持向量机(SVM-suppor tvector machine)基本原理和实现算法的基础上，探讨了支持向量机方法在实现虚拟协作伙伴选择中的应用。通过此模型，能为决策者提供一种有利的支持。     

基于支持向量机的气敏传感器阵列信号处理方法

提出一种基于支持向量机(SVM)的气敏传感器阵列信号处理新方法。SVM作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,从而使得支持向量分类器具有良好的推广能力。该文首先讨论了SVM的基本原理,然后将其作为识别气体种类的分类器。该方法可以得到较高的识别率,能够识别复杂的模式。     

基于经验模分解和最小二乘支持矢量机的装载机载质量动态测量混合建模方法

针对同时实现装载机载质量动态测量的高精度和快速性这一复杂问题,在基于动力学分析所给出的测量方法的基础上,给出一种实现高精度快速性装载机载质量动态测量的混合建模方法,该方法采用经验模分解(Empirical mode decomposition,EMD)作为实测信号的前端处理应用,用于从动态暂态测量信号中提取有效信号;采用最小二乘支持矢量机(Least squaresupport vector machines,LS-SVM)对动态和不确定性因素进行自学习,实现载质量动态测量的速度补偿;同时为使最小二乘支持矢量机发挥最优性能,采用贝叶斯证据框架对其参数进行推断优化:最后,通过比例线性计算方法获知待测载质量值.仿真分析和试验结果表明,按照所建立的混合建模方法进行载质量动态测量其测量精度可稳定在l%以内,验证了该方法的有效性.     

基于支持向量机和神经网络对分类问题的比较研究

支持向量机(SVM)和神经网络(ANN)是模式识别的两种方法,支持向量机是新兴的一种效率更高的识别方法,能够达到比神经网络更好的分类效果。文中以二分类为例比较了二者的分类准确率和效率问题。     

进化蒙特卡洛优化的SVM在故障诊断中的应用

针对支持向量机超参数选择问题,将进化蒙特卡洛算法引入支持向量机的参数优化.以交叉验证误差作为目标函数,并行运行多条马尔可夫链,设计了一种改进的变异操作.使得算法在进化的初期具有较强的全局搜索能力,在进化的后期具有精细的局部搜索能力,从而加速马尔可夫链的混合,提高算法的寻优效率,最后将优化的支持向量机应用于滚动轴承故障诊断.试验结果表明,该方法具有较高的寻优效率和参数优化能力,可提高故障识别的精度.     

基于过程支持向量机的航空发动机润滑油消耗率预测

分析了目前航空发动机润滑油消耗率监控现状及其不足,提出了一种基于过程支持向量机的润滑油消耗率预测方法,针对润滑油消耗率实际数据有较大波动性的特点,使用了样条插值增加样本点的方法来提高预测精度。通过润滑油消耗率预测实例对提出的方法进行了检验,实例结果表明过程支持向量机能够比较准确地对润滑油消耗率进行预测。