基于PSO-LSSVM的网络化制造系统安全检测

为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.     

基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿

针对扩散硅压力传感器温度漂移的问题,文中提出了一种基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的温度补偿模型。通过对扩散硅压力传感器做二维标定实验,利用AD590集成温度传感器监测实验环境温度,建立PSO-LSSVM模型。最小二乘支持向量机的惩罚因子和核函数的选取会直接影响到模型的预测精度,PSO-LSSVM模型利用粒子群算法优化最小二乘支持向量机模型的惩罚因子和核函数的参数,改善了传统的最小二乘支持向量机模型对参数选取耗时耗力且未必找到全局最优解的缺陷。实验结果表明,经该模型补偿后的零点温度系数和灵敏度温度系数都减小了一个数量级,且预测值与标定值的均方误差的数量级达到10~(-6),实现了温度补偿并改善了预测精度。     

NIR汽油辛烷值测定仪中的支持向量机方法

提出了应用于近红外光谱汽油辛烷值测定仪的支持向量机方法 ,该方法具有强的泛化能力及全局最优解的特点 ,得到的数学模型其预测能力明显改善。实验表明该方法优越于目前在近红外光谱测定汽油辛烷值中常见的偏最小二乘和人工神经网络等方法     

变形抗力预测模型及其应用研究

为提高变形抗力的预测精度,提出了一种基于混合最小二乘支持向量机和数学模型的组合方法.在该方法中,最小二乘支持向量机的参数通过基于退火策略的自适应粒子群优化算法自动获得.仿真实验结果表明,该组合方法不仅能够重现样本数据的变形抗力,还能非常精确地预测非样本数据.通过与其它文献中常用方法的比较发现,该方法在变形抗力预测的有效性和精确性方面都有很大提高.     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用

多元校正分析模型的精度不仅依赖于模型的结构和参数,还很大程度上取决于训练样本的分布。实际过程中,训练样本通常呈现不均匀分布,导致基于全体样本的回归模型预测性能不理想。本文针对该问题提出了支持向量机分类与回归联合建模方法:首先使用最小二乘支持向量机(LS-SVM)分类器构建分类决策树,然后对每一类样本分别建立最小二乘支持向量机回归模型;对未知样本进行定量分析时,首先经过分类决策树分类,再根据分类信息选择相应的回归模型进行计算。针对汽油辛烷值拉曼光谱分析问题,基于全体样本建模的LS-SVM回归模型的标准预测误差为0.54,而采用本文方法所得的模型预测误差为0.22,大幅度地提高了分析精度。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

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。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.