基于支持向量机的连续状态空间Q学习

针对连续状态空间下的强化学习控制问题,提出一种基于支持向量机的Q学习方法．支持向量机不易陷入局部极小,且有优良的泛化性能,对系统状态一动作对的Q值进行估计计算,解决状态空间泛化中易出现的“维数灾”问题．引入滚动时间窗机制实现支持向量机的在线学习：系统实时检测得到的新数据若不包含新信息,则保持学习的样本集不变;若包含新信息,则滚动时间窗,更新样本集,从而更新支持向量机的回归模型,并对时间窗内的数据分配不同的权值以充分利用数据的信息．倒立摆平衡控制的仿真结果表明该方法能够有效解决具有连续状态的非线性系统的强化学习控制．     

一种基于改进万有引力和支持向量机的数据校正方法

针对在线数据校正效果差的问题,提出了一种基于改进万有引力和支持向量机的数据校正方法.首先为了减小计算量,对万有引力算法中的适应度函数进行改进,利用改进的万有引力算法对影响支持向量机性能的重要参数进行优化.然后利用少数准确的离线试验数据对支持向量机回归模型进行训练,当在线监测的历史或实时数据不在回归模型允许偏差范围内时,通过回归模型对异常数据进行校正.最后通过实际数据对提出的方法进行验证,结果证明了该方法的可行性和有效性.     

支持向量机的增量学习和减量学习

分别介绍了支持向量机的增量学习和减量学习的两种训练方法,即在线递归训练法和最小二乘支持向量机.递归法只能处理在线(每次只处理一个样本)增量学习或减量学习,而最小二乘法即可处理在线又可处理成批增量学习或减量学习.递归法得到的解是精确的但是以时间为代价的,最小二乘法花费的时间少,但得到的解不如递归法的精确.并通过标准模式分类库中数据集进行数值试验比较.     

基于Fisher向量投影的支持向量机增量算法

针对支持向量机训练样本冗余导致训练效率低下的问题,提出一种基于Fisher向量投影的支持向量机增量算法。该算法根据支持向量机中支持向量的分布特性对初始训练集及增量集进行预处理,减少训练样本个数;通过判断初始样本是否满足新增样本集的卡罗需-库恩-塔克(Karush-Kuhn-Tucker conditions,KKT)条件,剔除对最终结果无用的样本,减少参与训练的样本数目。实验结果表明,与标准支持向量机算法和基于向量投影的支持向量机增量算法相比,基于Fisher向量投影的支持向量机增量算法的训练速度分别提升了86%和33%左右。该方法可用于大规模样本集的分类识别问题。     

支持向量机在无人机实时航路规划中的应用

在对传统算法进行改进的基础上,提出运用支持向量机的思想,建立航路回归模型.并进行实例分析,结果表明:与传统算法相比,基于支持向量机的航路回归模型建模速度快,计算时间少,可扩充性强,能及时为无人机在未知环境中提供实时航线图.     

基于支持向量机的静压转台热误差补偿

在一般补偿器的硬件中无法运行MATLAB等第三方工具软件的代码,导致大多模型不能被应用于机床热误差的实际补偿.为了提高误差建模效率,降低对补偿系统硬件的要求,提出静压转台热误差实时补偿方法. 该补偿方法以支持向量机（SVM）为核心算法,分别使用鱼群算法和狼群算法对支持向量机的核心参数进行前期和后期优化,在保证预测精度的前提下提升建模效率. 通过离线训练MATLAB筛选出支持向量导入到开发的补偿软件中,利用用于过程控制的对象连接与嵌入（OPC）方式对热误差实施实时在线补偿. 与传统多元线性回归建模方式对比,可以看出该模型在精度和效率上均较优.补偿实验的结果表明,转台的轴向误差由原来最大为40 μm降低为约10 μm,转台的加工精度提高了75%,验证了所提出补偿方法的有效性.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

水火弯板局部变形预测建模方法比较

在开发的水火弯板成形过程的热一机分析有限元模型的基础上,就有限元计算结果和实验值进行了对比验证,提出了支持向量机回归模型应用于水火弯板局部变形预测．将数值模拟的计算数据,用传统回归方法、神经网络和支持向量回归技术进行了变形预测的建模和预报对比,结果表明：支持向量回归的预报准确率较高,预测结果稳健性方面也有一定的优势,鉴于支持向量机算法具有较好的建模能力和预报能力,可望在水火弯板变形预测领域得到实际应用。     

支持向量机增量学习在污染预测中的研究

支持向量机增量学习方法是在回归支持向量机的基础上,在加入新增样本时有效利用历史训练结果,避免样本的重复训练,得到较准确的分类结果,其回归预测优于传统方法。工业污染预测能够及时预测工业污染物的变化,有效防止污染事故的发生。将一种改进的支持向量机增量学习方法用于工业污染预测中,通过实验结果证明:支持向量机增量学习能够较准确地预测废气污染浓度变化趋势,为工业污染预测提供了新的方法。     

基于模糊背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法在复杂背景下跟踪效果不佳的问题,该文提出了基于模糊背景加权的Mean Shift算法。引入基于差分的模糊隶属函数,利用目标模型和背景模型的差分,更加细化地表示各个像素对目标准确描述的贡献度,提高了目标描述的准确性。同时利用背景信息对原始的尺度增减法进行改进,更好地适应了目标尺度变化。实验验证该算法在一定程度上解决了尺寸增减法的小尺度游荡和跟踪滞后问题,提高了Mean Shift算法在复杂背景干扰下的鲁棒性。     

Hoek-Brown破坏准则求解圆形硐室塑性区半径与修正的芬纳公式比较

目的 为定量确定围岩塑性区半径和给支护锚杆的深度设计提供科学依据.方法 以Hoek-Brown破坏准则为极限平衡条件,推求侧压力系数为1.0时圆形硐室理想弹塑性围岩的弹塑性应力和塑性区半径,运用Mohr-Coulomb准则直线拟合Hoek-Brown准则曲线和面积差补方法 ,求取等效的岩体Mohr-Coulomb强度参数后,建立相对塑性区半径随支护力和地质强度指标变化的二元非线性回归数学模型,并与源自于Mohr-Coulomb强度准则为屈服条件的修正的芬纳公式进行比较研究.结果 支护力每增加1.0 MPa,就可确保地质强度指标降低10～20的岩体中不会出现塑性区.在支护力较小和岩体质量较差情况下,采用Hoek-Brown破坏准则推导得出的塑性区半径和修正的芬纳公式计算得出的塑性区半径差别稍大.相对塑性区半径与地质强度指标都呈负乘幂函数关系,随着支护力的增大,塑性区半径随着岩体质量等级的升高而下降的趋势逐渐变缓.建立的相对塑性区半径随地质强度指标和支护力变化的二元非线性回归数学模型简明,使支护力连续变化,提高了工程实用性.结论 在岩体质量较差情况下,锚杆深度取1.8～3.0倍硐半径为宜.     

基于OAR模型的航空影像高层建筑自动提取

基于建筑物的OAR模型,建立一种在单视角高分辨率航空影像中自动提取高层建筑物的策略.以建筑物垂直边缘为关键属性,结合窗户纹理和屋顶轮廓直线段属性及它们之间的关系,综合推理出建筑物的位置.实验结果表明,该方法能有效实现高层建筑物的自动提取.     

基于线性阈值模型的动态社交网络影响最大化算法

针对随时间进化的动态社交网络展开影响最大化问题的研究，目标是基于线性阈值传播模型，挖掘影响力最大的k个种子用户，从种子用户发起传播，最大化影响传播范围。提出一种基于线性阈值模型的动态社交网络影响最大化算法（linear threshold dynamic influence maximization，LTDIM）。首先，给出动态社交网络影响最大化问题的形式化定义，提出利用活边路径获取初始种集的方法；然后，分析网络的各种拓扑变化，提出种集的增量式更新方法；最后，基于节点度和影响力增量提出DP（degree pruning）和IIP（influence increment pruning）剪枝策略进一步提高时间效率。实验使用4个真实的社交网络数据，考察在8个网络快照上算法的运行时间和影响传播范围。实验结果表明，本文算法的影响传播范围接近于静态启发式算法，运行时间大幅度减少，验证了算法的时间高效性和可扩展性。"     

基于改进FSVM的旋转机械故障诊断算法

针对旋转机械故障诊断中采集到的振动信号存在强烈噪声及野值干扰,故障特征提取后,利用传统的支持向量机(support vector machine,SVM)进行模式识别会造成最优超平面的模糊性,影响分类效果,引入模糊C均值聚类算法(fuzzy C-means,FCM)与支持向量机结合进行故障诊断.FCM用来求解样本模糊隶属度,但其迭代求解聚类中心及样本模糊隶属度矩阵时容易陷入局部最优,而粒子群算法(particle swarm optimization,PSO)具有全局优化搜索的优点.基于此,提出了基于改进模糊支持向量机(fuzzy support vector machine,FSVM)的旋转机械故障诊断算法.首先,利用经验模态分解(empirical mode decomposition,EMD)提取故障信号的能量特征指标;然后,由PSO优化FCM求解样本的模糊隶属度;最后,将模糊隶属度引入SVM,构建改进的模糊支持向量机模型,并实现故障判别.实验结果表明:改进的FSVM比传统的FSVM算法有更好的抗造性能以及分类效果.     

克服广义预测控制模型参数失配的PID反馈校正策略

虽然广义预测控制(GPC)能够通过不断的在线辨识克服模型失配的不利影响,但它计算耗时,不利于在线实时的情况.为了克服在线辨识计算量大的缺点,提出了一种简便易行,计算量小的PID反馈校正策略,可有效地消除模型参数失配对控制性能的不利影响.由于所提出的方法把基于未来预测信息的超前控制和基于过去误差的事后控制有机地结合起来,从而呈现出良好的动态特性.计算机仿真表明,该方法能够有效克服模型与过程之间的增益失配问题,改善控制效果.     

基于代理模型的水文模型参数多目标优化

针对传统多目标优化算法存在计算复杂且效率偏低的问题,提出了一种基于代理模型的多目标优化方案。以淮河大坡岭水文站以上流域为例,采用多元自适应回归样条方法构建新安江模型参数与不同目标的响应曲面关系,进而估计参数的近似Pareto解集。采用4种目标函数（总水量误差系数,均方根误差,高水流量误差系数和低水流量误差系数）和4种模型精度评价指标（Nash-Sutcliffe效率系数,洪峰流量相对误差,径流深相对误差和峰现时间误差）评定模型优化结果,选择10场洪水过程和4种不确定性评价指标估计Pareto解集的模型预测区间特征。结果表明代理模型可有效降低模型评估与优化过程中的计算消耗,为实现多目标优化的高效性奠定了基础。此外,不确定性分析结果也进一步验证了方法的有效性和结果的可靠性,为复杂模型参数优化与不确定性评估提供了参考。     

一种建立发酵过程模型的新方法

为了建立精确的微生物发酵过程数学模型,在标准回归型支持向量机(SVM)的基础上提出了动态ε- SVM方法。即不同样本使用不同的ε;使用改进的多目标遗传算法(MOGA)自动选择动态ε-SVM的参数．将改进的MOGA和回归型动态ε-SVM结合形成一种新的建模方法,利用现场生产数据建立了青霉素效价预估模型．结果表明此方法具有较强的拟合和泛化能力．经过对比,本文方法比基于MOGA和标准SVM的建模方法具有更强的泛化能力．     

网络传输层协议的随机Petri网模型及性能分析

描述了广义随机高级Petri网(GHLSPN)在计算机网络传输协议的模型与性能评价中的作用,并对影响网络性能的系统指标进行了讨论;同时考虑了确认控制、窗口流控制和错误重传控制等机制对网络系统的性能影响,克服了以往对网络性能评估的某些局限。     

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声。考虑将回归拟合与随机型时间序列方法结合，先对大坝位移数据按水位、温度、时效等物理因素作回归分析，再对回归残差作时序列建模处理，实例采用Box-Jenkins法和自由相关、偏自相关函数及AIC准则进行模型识别，建立时序列模型，应用示例的计算表明，这样获得的回归-时序列模型能很好拟合实测数据，提高精度，误差序列也符合白噪声要求。