基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

粒子群算法优化双核支持向量机及应用

针对支持向量机核函数和控制参数选取难度较大的问题,提出了一种主动划分参数区间的双尺度径向基核支持向量机,并用并行定向变异混合粒子群优化算法选取其控制参数。试验分析了利用标准数据集经多次独立重复试验得到的均值等统计量,验证、测试了上述支持向量机模型,同时考虑了类间数据不平衡的影响。结果表明,双尺度径向基核函数的性能在多数情况下优于单径向基核函数,并行定向变异的混合粒子群优化算法优于标准粒子群优化算法,能够有效抑制早熟收敛,有利于搜索到更优的支持向量机控制参数。     

基于粒子群算法优化SVM在电池SOC估算中的应用

为了实现井下救生舱动力电池SOC(State Of Charge)的估算,将支持向量机(SVM)的方法应用于电池SOC的估算中。为了得到合适的惩罚因子C和核函数K,利用粒子群算法来优化支持向量机;建立了支持向量机模型,对井下救生舱的电池剩余电量进行预测。实验结果表明:采用粒子群优化支持向量机的方法具有较高的准确度,有一定的实用价值。     

柔性薄板装配不等间距定形焊点布置优化

针对点焊中的定形焊点布置方案影响柔性薄板装配偏差,以及等间距焊点布置不适合所有薄板焊接情况的问题,提出一种基于支持向量回归机与粒子群优化算法的不等间距定形焊点布置优化方法。对薄板装配过程进行分析,建立了反映装配偏差与偏差源关系的装配偏差模型。以两种焊点的间距为设计参数,通过优化拉丁超立方实验设计在焊点布置设计空间获取样本方案,利用偏差模型获得样本响应。构建支持向量回归机—粒子群算法代理模型,预测得到使装配偏差最小的焊点布置最优方案。柔性薄板装配实例表明,在小样本学习情况下,与遗传算法—反向传播神经网络和响应面两种代理模型相比,该方法在模型预测准确度方面具有有效性和优越性,同时通过车身薄板实例表明了该方法的实用性。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于支持向量机的模糊稳健优化设计方法

在模糊稳健设计中,需要采用随机模拟方法计算模糊概率和非线性约束函数,但计算效率很低.为此,提出了一种基于支持向量机的模糊稳健设计方法.采用支持向量回归机对模糊概率进行仿真计算,采用支持向量回归机或分类机作为非线性约束函数的替代模型,显著降低了模糊稳健优化设计的机时消耗.给出了新方法的具体算法步骤,并通过模糊稳健优化设计...     

基于PSO-SVM的变压器故障诊断研究

支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

一种T-S模糊模型的自组织辨识算法及应用

提出了一种新的具有自适应学习能力的T-S模糊模型辨识算法.该算法通过使同一条规则的高斯函数的宽度参数彼此相等建立与支持向量机等效的T-S模糊模型,在此基础上,利用模糊聚类算法和支持向量机分别建立前后件辨识模型,并利用一种改进粒子群优化算法优化输出误差函数使前后件参数联合辨识,从而获得T-S模糊模型的结构和参数.仿真结果表明,相比其它方法,文中方法具有较高的逼近精度和较好的泛化能力,由此算法获得的直拉单晶炉热场模型具有0.1171的均方差,完全符合均方差小于0.5的要求.     

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。     

基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法.首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互...     

基于多重分形与CPSO-SVM的车辆传动箱状态识别研究

针对车辆传动箱振动信号的非线性,提出一种将多重分形与支持向量机相结合的状态识别方法。运用奇异谱和广义维数来描述其振动信号特征,并将其作为支持向量机的输入特征量。将改进的混沌粒子群算法引入到支持向量机参数优化中,实现对惩罚函数c和径向基函数σ的智能优化选取。实验结果表明,该方法建立的SVM分类模型能够对车辆传动箱不同运行状态进行分类,并且具有更高的准确率。     

基于支持向量机模型的产品意象评价研究

为准确把握消费者对产品造型意象的认知规律,将支持向量机模型引入消费者的意象评价中。以数控机床为例,调查数控机床的意象得分,然后对数控机床的造型要素进行分解,最后将获得的数据代入粒子群算法优化支持向量机中进行学习,获得产品意象评价的数据模型。为比较BP神经网络、交叉验证法支持向量机、粒子群算法支持向量机这3种方法的准确性,抽选出5组没有在前面进行学习的数据进行测试。实验结果表明,粒子群算法支持向量机模型预测出的意象评价平均值与问卷调查所得平均值比其他两种方法更为接近,可以较好地用于预测消费者对产品造型的意象评价。     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

基于LSSVM和GA的镍铬合金薄膜制备工艺参数优化

为提高磁控溅射镍铬合金薄膜的性能和确定最佳工艺参数条件,建立了一种粒子群-最小二乘支持向量机(PSO-LSSVM)和遗传算法(GA)联合优化算法。以功率、压强、基底温度及偏压为因素设计表面粗糙度和沉积速率的正交试验;采用极差分析法得到工艺参数组合,并分析了该方法存在的不足;通过最小二乘支持向量机分别建立对表面粗糙度和沉积速率的预测模型。为提高预测模型的精度,提出了高斯核函数与多项式核函数的加权混合核函数,采用粒子群算法对权重因子、惩罚因子、高斯核带宽以及多项式阶次进行多目标寻优,得到LSSVM非线性回归预测函数。将回归预测函数作为遗传算法的适应度函数,并确定四种相关因素的约束条件,分别得到了两种性能的最佳工艺参数。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

基于改进支持向量机的目标威胁估计

针对信息融合中目标威胁估计的特点,分析了传统目标威胁估计方法和支持向量机(SVM)的不足。采用粒子群算法(PSO)对SVM中惩罚参数c和核函数g进行优化,建立了改进的SVM(PSO_SVM)目标威胁估计模型及算法。介绍了粒子群算法和支持向量机的原理,建立了一种新的PSO_SVM目标威胁估计模型;基于该模型,实现了PSO_SVM目标威胁估计算法。为适应该算法,对数据进行了预处理,包括数据量化和归一化。交叉验证寻找最佳参数时,采用PSO算法进行优化。采集75组原始数据用于仿真实验,其中60组作为训练集,15组作为测试集。仿真实验表明,该算法预测误差为0,达到了预期目标。实验结果真实、准确地反映了实际情况,证明了该方法的有效性。