基于自适应FLSVM的赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法.它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型.以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,与普通的模糊支持向量机建模方法相比具有较高的预测精度和自适应性.     

基于FOA-MKSVM的滚动轴承故障分类方法

由于滚动轴承实际各状态数据一般具有不均衡的特点,所以分类时采用单一核函数存在一定的局限性。针对此问题以及支持向量机多参数选择的盲目性,建立一种基于果蝇优化算法的多核支持向量机模型。该模型可以通过核函数权值来调节全局核函数和局部核函数在该模型中的作用,兼具了良好的学习能力和泛化能力。同时,将多核支持向量机参数与果蝇算法中食物的味道浓度值建立一定关系,通过模仿果蝇觅食行为,对各参数进行优化选择。为了验证所提方法的有效性,先利用UCI标准数据集进行实验,再将其应用到滚动轴承故障分类中,并对单核核函数与多核核函数及参数优化算法进行比较。结果表明,提出的方法具有初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的优点,可有效地应用到滚动轴承故障分类中。     

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。     

基于改进FCM模糊神经网络的水处理过程建模

本文结合改进的FCM聚类分析算法,提出了一种自适应T-S模糊神经网络用于建立水处理过程的模型.该方法通过减法聚类初始化FCM聚类算法,加快了FCM聚类收敛速度,利用改进后的FCM算法对数据集聚类,从而产生输入空间的模糊划分和模糊规则;并用混合BP和递推最小二乘学习算法对前件和后件参数进行优化.最后,将本文的方法用于建立水处理过程的模型,仿真实验的结果表明该方法具有收敛快、精度较高、泛化能力好的优点.     

模糊聚类在非线性系统广义预测中的应用

将非线性系统,用T-S模型表示,由于T-S模型的结论部分是一个线性模型,因此可将其等价为时变线性系统.用模糊聚类方法在线确定模型结构;利用模糊基函数逼近时变系数,再利用最小二乘法在线辨识模型的后件参数以实现时变系统的参数估计,最后运用广义预测控制策略,完成了对原非线性系统的自适应预测控制.仿真结果表明了所提方法的有效性.     

基于模糊LS-SVM的净化过程钴离子浓度软测量

针对锌湿法冶炼净化过程的复杂性,提出一种基于模糊最小二乘支持向量机方法的净化过程钴离子浓度软测量模型.考虑到不同时期以及小同区域样本数据所起的作用不一样,提出一种综合模糊加权函数.有效提高了最小二乘支持向量机的性能.以净化过程生产数据进行实验验证分析,计算结果表明:模糊最小二乘方法性能优于传统最小乘方法,模型具有精度高、泛化性能好等特点,钴离子浓度软测量结果满足现场工艺参数要求,可以作为过程信息用于净化过程的优化控制.     

SVR优化算法及其在蓄电池容量预测中的应用

提出一种优化的支持向量机回归算法(SVR)并应用于阀控密封铅酸蓄电池(VRLA)的容量预测.选定径向基函数作为支持向量机同归算法的核函数,分别使用遗传算法和遗传退火算法对核参数进行寻优,在此基础上建立了蓄电池容量预测模型.比较了在遗传算法和遗传退火算法两种参数优化方法下支持向量机回归算法对VRLA容量预测的精准度.仿真结果表明,基于遗传退火算法寻优的支持向量机回归算法用于VRLA容量预测的性能优于单一的遗传寻优算法.     

基于分层模糊支持向量机的油液磨粒自动识别

提出基于模糊支持向量机的机械设备在用油液磨粒自动识别方法。首先利用K-均值聚类算法对磨粒图像进行分割,提取磨粒的形状尺寸特征参数、边缘细节特征参数、表面纹理特征参数作为其量化表征,分别选择最能反映待识别磨粒特征的参数作为各个二分类器的输入向量;然后结合二叉树法和一对多法间接构造磨粒的分层多类别分类器模型,在训练过程中同时利用粒子群算法优化分类器的参数,建立一种参数自适应的模糊支持向量机分层多类别分类模型。将该模型应用到旋挖钻机在用油液的磨损颗粒识别中,识别率最高达90%。该模型结构简单、分类精度好,在磨粒识别领域较大的工程应用价值。     

进化蒙特卡洛优化的SVM在故障诊断中的应用

针对支持向量机超参数选择问题,将进化蒙特卡洛算法引入支持向量机的参数优化.以交叉验证误差作为目标函数,并行运行多条马尔可夫链,设计了一种改进的变异操作.使得算法在进化的初期具有较强的全局搜索能力,在进化的后期具有精细的局部搜索能力,从而加速马尔可夫链的混合,提高算法的寻优效率,最后将优化的支持向量机应用于滚动轴承故障诊断.试验结果表明,该方法具有较高的寻优效率和参数优化能力,可提高故障识别的精度.     

基于SVM的多传感器信息融合算法

支持向量机(Support Vector machine,简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法。针对工业多传感器测控系统中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持SVM的多传感器信息融合模型及算法。为小样本、非线性、高维数一类多传感器信息融合问题的建模提供了一种有效的途径。通过对“纸张水份在线测量系统”应用表明,基于SVM的多传感器信息融合模型及算法在测量精度和推广性能上都具有一定的优越性。     

A novel approach for recognition of control chart patterns: Type-2 fuzzy clustering optimized support vector machine

Unnatural patterns in the control charts can be associated with a specific set of assignable causes for process variation. Hence, pattern recognition is very useful in identifying the process problems. In this study, a multiclass SVM (SVM) based classifier is proposed because of the promising generalization capability of support vector machines. In the proposed method type-2 fuzzy c-means (T2FCM) clustering algorithm is used to make a SVM system more effective. The fuzzy support vector machine classifier suggested in this paper is composed of three main sub-networks: fuzzy classifier sub-network, SVM sub-network and optimization sub-network. In SVM training, the hyper-parameters plays a very important role in its recognition accuracy. Therefore, cuckoo optimization algorithm (COA) is proposed for selecting appropriate parameters of the classifier. Simulation results showed that the proposed system has very high recognition accuracy.     

基于T-S模糊模型的辨识与控制

针对一类非线性系统,采用模糊辫识的方法建立系统的T-S模型,结合广义预测控制对模糊预测控制进行研究.应用模糊聚类和递推最小二乘法辫识T-S模糊模型的前提结构和结论参数.对于非线性系统来讲,T-5模糊模型有良好的描述特性,并结合广义预测控制的滚动优化,实现对非线性系统的有效控制.仿真结果说明了该算法的有效性.     

基于模糊控制的位置精度补偿方法

针对半闭环伺服系统在使用过程中,由于机械传动系统劣化而导致的位置精度降低、动态响应特性下降的现象,提出了基于模糊控制的位置精度补偿方法。以测量得到的小样本位置误差数据为源数据,利用支持向量机对位置误差进行劣化建模,实现对位置误差的预测,并将位置误差预测值用于伺服系统的误差补偿。利用模糊比例—积分—微分控制器控制能有效改善系统动态响应的特性,通过改进模糊控制规则,使模糊控制与位置误差预测补偿有效结合,提高伺服系统位置精度和动态响应特性。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

基于模糊预测控制的回转窑温度控制

介绍了模糊预测控制技术在水泥回转窑温度控制中的应用。水泥生产的关键环节在于水泥回转窑,其中最重要的就是对回转窑温度的控制。针对热工对象存在的大惯性、大迟延问题,运用T-S模糊模型的离线辨识算法对复杂的热工对象建模,得到了回转窑温度控制系统的线性化模型。     

基于模糊支持向量机的产品设计时间估计方法

针对产品设计时间估计中存在的小样本、不确定性数据等问题，将模糊回归理论与支持向量机方法相结合，提出一种Fv-SVM模型，给出相应的设计时间智能估计方法和参数优选算法。进行了注塑模具设计的实例分析，结果表明基于Fv-SVM的时间估计方法是有效和可行的。     

基于FIGA的广义T-S模糊模型预测控制

利用广义T-S模糊模型对非线性系统具有万能逼近性得到系统的局部线性化，并利用一种快速综合性遗传算法（FIGA）对广义T-S模糊模型进行参数辨识，根据得到的线性化模型对系统采取广义预测控制（GPC）得到当前的控制动作。通过Matlab仿真证明了该方法的有效性。     

PSO优化SVM在木材干燥建模中的应用

在木材干燥计算机控制过程中,基准模型化是此控制过程的必要环节。为提高此建模预测精度,针对SVM木材干燥基准模型的参数进行研究。利用粒子群优化算法中的粒子位置和速度优化此模型参数,并对木材含水率进行预测。仿真实验表明,PSO算法在优化SVM木材干燥基准模型参数方面表现出良好的性能,预测结果具有很高的精度,此模型具有较好的泛化能力和预测能力。     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。