共查询到20条相似文献,搜索用时 0 毫秒
1.
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. 相似文献
2.
3.
4.
5.
6.
7.
基于粒子群算法优化支持向量机的数控机床状态预测 总被引:1,自引:0,他引:1
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. 相似文献
8.
9.
基于支持向量机的车内噪声声品质预测 总被引:1,自引:0,他引:1
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. 相似文献
10.
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。 相似文献
11.
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. 相似文献
12.
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. 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
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. 相似文献
16.
17.
18.
基于递归神经网络的LS-SVM硬件实现与实验研究 总被引:1,自引:1,他引:1
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. 相似文献
19.
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。 相似文献
20.
基于云理论与LS-SVM的刀具磨损识别方法 总被引:1,自引:0,他引:1
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%。 相似文献