基于改进的差异演化算法求解SVM反问题的研究

针对求解支持向量机反问题的效率较低,算法复杂度高以及运用传统方法求解该问题容易陷入局部最优出现早熟收敛的问题,提出一种基于改进差异的差异演化算法。该算法在标准差异演化算法的基础上利用种群分类机制对算法进行改进,对改进后的算法与标准差异演化算法和K-means聚类算法进行实验设计,并对算法最终实验结果进行分析,改进的差异演化算法除在运行时间外,结果对比以及最大间隔次数比都有明显的提升,有效地保护处于最优解区域但是适应值低的个体,能够提高算法局部搜索能力,有助于算法实现全局收敛。实验结果表明,改进的差异演化算法在求解SVM反问题上能有明显的提升。     

融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。     

基于证据理论的机械结构高效可靠性分析方法

提出一种证据理论与近似模型相结合的机械结构高效可靠性分析方法。首先基于证据理论建立可靠性分析数学模型，然后通过径向基函数构建极限状态函数的近似模型，并利用样本点局部加密来提高近似模型的精度，最后基于一阶近似可靠性分析方法对近似可靠性分析问题进行求解，从而获得衡量机械结构可靠性的可信度和似真度。算例结果表明该方法不但能保证计算结果精度，还提高了计算效率。     

基于kmeans-SVM的二叉树粗分类方法

针对大型数据库中进行匹配识别时存在识别速度慢、时间长、影响实时应用效果的问题,提出了一种树形层次结构的粗分类方法。通过k-means得到两类粗分类的样本,用这两类粗分类数据训练SVM分类器,找到分类超平面,再不断调整分类超平面,最后构建二叉树型结构达到粗分类的目的。三个方法相结合很好地缩小目标的搜索范围,提高了识别时候的效率。     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.     

基于预训练语言模型的关键词感知问题生成

问题生成任务是指根据给定的文本段落和答案来自动生成对应的问题。针对现有问题生成方法存在的误差累积现象以及问题生成任务固有的“一对多”情况，提出一种带有关键词感知功能的问题生成方法。在预训练语言模型的基础上，实现关键词分类模型与问题生成模型的网络结构设计。输入文本段落中蕴含关键词，为使所生成的问题中包含同样的关键词以保证问题与段落的语义一致性，利用关键词分类模型提取出文本段落中的关键词，将关键词与非关键词的区分特征融入问题生成模型的输入中，该特征作为问题生成过程的全局信息，用以消除问题生成模型仅依赖局部最优解的弊端，减少误差累积与“一对多”情况的发生。在SQuAD数据集上的实验结果表明，该方法能够提升问题生成的质量，其BLEU-4指标值可达24，优于带有复制机制、带有语义监督的问题生成模型，目前已经借助百度百科数据平台实现了大规模工业应用。