基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的建模预测方法.根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数.基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验.实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强.     

基于LS-SVM的汽轮机叶片高速铣削表面质量预测建模

针对汽轮机叶片高速铣削加工中存在的表面质量不易控制问题,借助最小二乘支持向量机原理,建立了被加工不锈钢叶片表面的粗糙度预测模型。实验结果表明,该模型能方便地预测切削速度、主轴转速、进给量、铣削宽度等铣削参数对铣削加工工件表面粗糙度的影响,并能利用有限的实验数据得出整个工作范围内的表面粗糙度预测值,模型适合于表面粗糙度预测,回归预测精度高。     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.     

基于模糊支持向量机预测胎重的方法研究与比较

胎重的准确预测在胎儿监护中具有重要作用,为提高胎重预测的准确性,提出一种基于模糊支持向量机的预测方法。通过在支持向量机中引入模糊逻辑,抑制由测量误差造成的异常数据对预测模型训练的影响,提高了胎重预测对参数测量误差的鲁棒性。对600例数据构成的训练集和150例数据构成的测试集进行应用,比较了模糊支持向量机和以前的回归方法、误差反向传递神经网络、支持向量机在胎重预测中的性能。结果表明:与其它方法相比,模糊支持向量机能获得更准确的胎重估计。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

基于PSO优化的LS-SVM的混沌时间序列预测

在非线性混沌动力学的发展中,混沌时间序列预测已成为一个非常重要的研究方向。最小二乘支持向量机（LS-SVM）是标准支持向量机的再形成形式,包含了分类、回归、预测等多种算法。微粒群优化（PSO）是当今智能寻优算法中较为简单快速的算法。运用PSO算法可以很好地解决LS—SVM的参数优化问题。针对以上问题。提出了基于PSO优化的LS—SVM预测方法。并对混沌时间序列预测进行了仿真。仿真结果证明了该算法的有效性。     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

基于泡沫特征与LS-SVM的浮选回收率预测

针对矿物浮选过程中回收率难以在线检测的问题,提出了一种回收率预测方法.采用最小二乘支持向量机构造预测模型,以图像特征作为模型输入,通过交叉验证实现模型参数优化.为提取泡沫特征,通过计算图像相对红色分量提取颜色特征,结合聚类与分水岭方法分割泡沫图像并提取尺寸特征,利用像素分析方法提取承载量特征,采用网像对的相关性分析方法提取泡沫速度、破碎率等动态特征,并对泡沫特征与回收率进行了相关性分析.实验结果表明,该方法能有效预测回收率.     

基于支持向量机的车内噪声声品质预测

提出了采用支持向量机的车内噪声声品质预测方法,对采集的车内噪声样本采用基于小样本理论的支持向量机回归方法,建立车内噪声声品质客观评价参量与主观评价结果的关系模型对车内噪声声品质进行预测.实例分析表明,选取适当的车内噪声声品质客观评价参量,利用支持向量机回归方法建立的车内噪声声品质预测模型的预测精度较高.     

基于LS-SVM的机械式温度仪表误差预测研究

机械式温度仪表在测量过程中易受到环境温度、毛细管长度以及内部机构影响而出现测量精度不高、非线性的情况,针对这些问题以液体压力式温度仪表作为研究对象,提出了基于最小二乘支持向量机(LS-SVM)的温度误差建模预测的方法。通过分析液体压力式温度仪表的测温结构和误差影响因素,将环境温度及毛细管长度等特征参数作为模型输入,将误差值及误差随毛细管长度的变化率作为输出。根据回归预测的原理,利用网格搜索和交叉验证的方法寻找最优参数组合,建立液体压力式温度仪表的误差预测模型。实验结果表明,该模型可以有效地描述温度误差,并将此建模方法与常用的支持向量机回归建模方法进行比较,基于LS-SVM得到的误差预测模型精度较高、推广能力强,可以对机械式温度仪表进行补偿,为探索机械式温度仪表自适应补偿机构提供理论依据。     

基于改进LS-SVM的变压器油中气体浓度预测

目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性.为提高预测的精度和可靠性,应用改进的最小二乘支持向量机的鲁棒性及稀疏性理论建立了同时预测变压器油中氢气的浓度预测模型.该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势,具有较高的预测精度和泛化能力.并且通过实例分析验证了该模型的有效性.     

民用飞机重着陆响应及诊断研究

分析了飞机着陆阶段起落架受力原理,探讨了重着陆的成因及响应,并以此为理论依据,综合现行的民用飞机重着陆判别方法,对飞机重着陆事件的诊断进行了研究.针对以往根据单一参数判别重着陆事故,提出多元参数诊断重着陆事件的方法,确立用于判别重着陆事故的多飞行参数.工程实例的诊断效果证明了该方法具有较高的精度,能够更为科学地诊断重着陆事件及其响应.     

民用飞机重着陆响应及诊断研究

分析了飞机着陆阶段起落架受力原理,探讨了重着陆的成因及响应,并以此为理论依据,综合现行的民用飞机重着陆判别方法,对飞机重着陆事件的诊断进行了研究。针对以往根据单一参数判别重着陆事故,提出多元参数诊断重着陆事件的方法,确立用于判别重着陆事故的多飞行参数。工程实例的诊断效果证明了该方法具有较高的精度,能够更为科学地诊断重着陆事件及其响应。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

基于LS-SVM的挖掘机磨损状态监控

为了减少挖掘机磨损,延长内部机件的使用寿命,需要对挖掘机采用润滑措施.因此对液压油进行油液监控显得格外重要.通过对液压油本身的分析与液压油携带的磨损颗粒分析,可达到对挖掘机工作状况的实时监控,从而及时地对挖掘机潜在故障进行预报并及时排除.考虑到时间与金属磨损量的关系,我们需要研究润滑油中金属含量的变化趋势,该文提出了一种基于LS-SVM预测模型对挖掘机液压油中铁元素含量值的时间序列变化趋势进行分析预测,通过与时间序列预测模型进行比较,能够很好地确定铁元素在磨损过程中的变化趋势,从而准确地监控挖掘机工作状态.     

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于递归神经网络的LS-SVM硬件实现与实验研究

在标准支持向量机(SVM)学习神经网络的基础上,将最小二乘支持向量机(LS-SVM)与递归神经网络相结合, 提出一种新的最小二乘支持向量机学习神经网络.该网络直接采用Lagrange乘子进行训练,消除了标准SVM神经网络中的线性部分,可用于进行分类和回归学习.并且其拓扑结构更适合于用简单的硬件模拟电路实现.对两种网络的稳定性进行了证明,并设计了相应的硬件电路,最后通过Simulink、Pspice仿真和硬件电路实验证明了所提出的方法是有效的.     

LS-SVM技术在曳引机故障预测中的应用

利用支持向量机采用的结构风险最优化准则、预测能力强、鲁棒性好等优点,研究了最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)回归算法在曳引机故障预测中的应用。提出了一种自动搜寻最优参数方法,对参数和进行寻优,避免了人工选择的盲目性,提高了算法的效率。通过将LS-SVM和RBF神经网络进行对比实验,得出在相同训练样本条件下,LS-SVM可以取得比RBF更好的预测精度和预测速度,更加适合于现场实际应用。最后将LS-SVM模型用于曳引机振动信号的时域分量预测中,预测的平均相对误差小于5%,取得了较高的预测精度。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。