基于最小二乘支持向量机的远程智能供水监管系统

实现了基于数据挖掘理论和最小二乘支持向量机短时预测的多接口远程智能供水监管系统.在原有自动抄表系统上增加了无线抄表和短时用水量预测功能.为确保预测的准确度,比较了已有的预测技术,针对原有技术的不足提出了基于数据挖掘预处理的最小二乘支持向量机短时预测方法.该方法克服了支持向量机预测存在的数据处理量大、处理速度慢等缺点,具有学习速度快,在小样本情况下具有良好的非线性建模和泛化能力,预测精度高等优点.将此预测值用于变压供水有效降低了系统能耗.实践证明:该远程智能监管系统运行经济可靠.     

非线性系统的支持向量机逆模型辨识及控制

针对非线性系统逆模型建立难的问题,提出了基于回归型支持向量机(support vetor regression,SVR)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于SVR的非线性系统逆模型控制的方法.仿真试验结果表明:采用SVR建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于SVR的逆模型控制...     

基于支持向量机的集装箱起重机建模与辨识

对岸桥集装箱起重机的相关研究中,高度非线性的系统建模是一个难点,传统辨识方法难以较好的描述其系统特性。支持向量机方法具有较强的非线性回归能力,精确建立系统的模型,经过仿真可以看到支持向量机对起重机模型较好的辨识作用,基于此模型的P ID控制也收到了较好的控制效果。     

非线性控制系统的支持向量机辨识建模研究

针对非线性控制系统辨识建模难的问题,系统研究了基于支持向量机的非线性控制系统的辨识建模理论和方法,然后利用回归支持向量机(Support Vector Regression,SVR)设计了一个非线性控制系统的辨识建模系统.仿真试验结果表明,SVR具有很高的建模精度和较强的泛化能力,从而验证了该辨识方法的有效性和先进性.     

基于LS-SVM的非线性系统直接逆模型控制

针对非线性系统逆模型建立难的问题,提出了基于最小二乘支持向量机(LS-SVM)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于LS-SVM的非线性系统直接逆模型控制的方法。仿真试验结果表明,采用LS-SVM建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于LS-SVM的直接逆模型控制方法的控制效果好,简单易行,从而验证了这两种方法的有效性和先进性。     

混合核函数在线支持向量机在甲醇合成中的应用

针对甲醇生产过程中高度的非线性和时变性,采用精确在线支持向量机模型预测粗甲醇的转化率。在线支持向量机模型一般采用单一的核函数,混合核函数可以弥补单一核函数的不足,提高模型的泛化能力和学习能力。为了使模型的预测精度进一步提高,在混合核函数的基础上运用在线误差校正方法。将基于混合核函数和误差校正的在线支持向量机建模方法应用在煤制甲醇数据上,通过与传统支持向量机和准确在线支持向量机模型对比,仿真实验和分析结果表明改进的在线支持向量机模型比传统支持向量机预测精度高,能够实现粗甲醇转化率的实时预测,从而更好的指导甲醇生产。     

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。     

基于进化SVM的洞室位移非线性时间序列智能分析

考虑地下工程的复杂性和洞室围岩变形的非线性特点,提出了一种利用遗传算法优化支持向量机参数的进化支持向量机围岩位移时间序列预测方法.该方法不但克服了神经网络的过学习问题,也解决了支持向量机的参数选取问题.基于该方法,结合数据库技术建立洞室位移变形非线性时间序列计算机智能分析系统.将该系统用于水布垭电站地下厂房交通洞监测位移分析,获得满意的预测精度.     

基于免疫SVM的机械产品寿命预测

传统机械产品寿命预测方法成本较高,精度较低,难以满足机械产品寿命预测要求.为了改变这种状况,提出基于人工免疫算法优化支持向量机(免疫SVM)回归器的机械产品寿命预测技术,采用人工免疫算法进行支持向量机回归器参数选取.人工免疫算法具有良好的全局搜索能力,能较好地选择合理的支持向量机回归器参数.采用普通SVM预测方法与免疫SVM预测模型进行比较,试验结果表明,相比于普通SVM,免疫SVM具有更高的机械产品预测性能.     

基于LSSVM的木材干燥在线建模研究

介绍了最小二乘支持向量机(LSSVM)回归原理,针对木材干燥系统的强耦合、强非线性等特点,提出以LSSVM方法建立木材干燥系统在线模型.模型以干燥实验获取的减速干燥阶段数据为样本,根据实际预测控制需要,建立木材干燥系统的在线预测模型,并进行在线预测.仿真结果表明,基于LSSVM的木材干燥在线模型能够实时反映系统当前状态,在线更新训练样本,滚动优化模型结构并预测系统下一步输出,模型结构简单,泛化能力强,预测精度高,能够满足实际干燥控制的需要.     

K-OPLS方法在化工软测量建模中的应用

针对强非线性复杂化工过程的软测量建模问题,提出了一种基于核隐变量正交投影(K-OPLS)的建模方法。隐变量正交投影(O-PLS)是一种通用的线性多变量数据建模方法,它可以消除与响应变量(输出)正交的描述变量(输入)的总体变化。在O-PLS模型框架下, K-OPLS方法利用"核技巧"将描述变量映射到高维特征空间,计算模型中的预测成分和响应-正交成分。因此, K-OPLS方法通过给出描述与响应变量之间的非线性关系,在一定程度上提高了模型的性能,增强了模型的可解释性。为了验证K-OPLS方法的有效性,将其分别应用于脱丁烷塔基丁烷(C4)组分含量估计、工业流化催化裂化装置(FCCU)关键产品产量预测、硫回收装置(SRU)中H_2S和SO_2浓度预测的软测量建模实例中。实验结果表明,在相同条件下,与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、主元分析-支持向量机(PCA-SVM)、极限学习机(ELM)、核极限学习机(KELM)和PCA-KELM方法相比较, K-OPLS方法具有更好的建模精度和模型泛化能力。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

基于支持向量机的航空发动机故障诊断

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在有限样本的学习中显示出优异的性能。本文将这一新的统计学习方法应用到航空发动机故障诊断的研究中,并通过某型航空发动机故障诊断的实验结果表明了本文方法的有效性。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于最小二乘支持矢量机的成形磨削表面粗糙度预测及磨削用量优化设计

在分析和比较目前常用的预测方法基础上,提出一种基于最小二乘支持矢量机的成形磨削表面粗糙度预测方法。一方面,该方法能较好地解决小样本学习问题,避免人工神经网络等智能方法在对粗糙度进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,用等式约束代替传统支持矢量机的不等式约束,减小了模型的复杂度,加快了求解速度。试验表明,该模型具有预测精度高、速度快、容易实现等优点,适合对磨削表面粗糙度的预测。在成功建立预测模型的基础上,还提出磨削参数优化设计的可行性方案,建立表面粗糙度与磨削用量之间的关系图,对于优化设计磨削用量、提高加工零件表面质量具有一定的指导意义。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。     

基于支持向量机模糊推理的二级倒立摆控制

本文提出了一种用于非线性系统控制的支持向量机模糊推理模型.该模型利用支持向量机回归的原理,从训练数据中提取模糊规则并进行简化;采用核函数来描述模糊推理系统,该模糊推理系统具有不必事先确定模糊规则数目、良好的泛化能力等优点.使用该模型对直线二级倒立摆系统构造模糊控制器并进行了实验研究,研究结果表明这种新的模糊规则提取方法对于非线性系统的控制是有效的,由支持向量确定的模糊规则不会出现规则数目"爆炸"的问题,该方法在不便事先确定模糊规则的复杂非线性系统控制中有着重要的应用价值.     

基于支持向量机的矿井提升机制动系统的故障诊断

故障样本缺乏是制约智能故障诊断发展的重要原因,支持向量机是近年来提出的一种基于小样本的统计学习方法.将支持向量机分类算法应用到提升机制动系统的多类故障分类,并与BP神经网络进行对比研究,实验表明,支持向量机算法比BP神经网络具有更好的分类性能,且 "一对多"支持向量机的分类效果是最好的,更适合于提升机制动系统的故障诊断.     

基于快速在线支持张量机的柴油机智能诊断方法

柴油机状态监测信号众多且多为非平稳信号,相互干扰较大且具有非线性和复杂耦合的特征,导致基于向量模式的故障诊断方法难以准确诊断其工作状态。提出一种张量模式下的柴油机智能诊断方法。首先,结合线性支持高阶张量机的学习框架和在线随机梯度下降法的思想,设计带核函数的快速在线支持张量机算法。然后,构建“信号类别×曲轴转角×转速”的三阶张量形式的柴油机状态样本,分别以在线支持向量机、线性支持高阶张量机和快速在线支持张量机三种算法,对某柴油机的失火样本进行故障诊断,以“测试精度”“学习时间”“存储空间”作为评价指标对三种算法进行对比分析。分析结果表明,所设计的快速在线支持张量机算法测试精度较高,学习时间显著降低,所需存储空间很小,解决了超大样本、非线性和高维数据的分类问题,满足了柴油机智能故障诊断的工程应用要求。