加法规则的多核学习在甲醇合成中的应用

对粗制甲醇的化学转化过程进行了研究,针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题,为了更好地预测甲醇产率,提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理,采用将基本核函数进行相加的规则来组合多核函数,进而,建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明,对比传统支持向量回归机模型,所提出的加法规则的多核学习模型的甲醇转化率预测精度更优,可以更好地指导甲醇合成。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

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CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于支持向量机和深度信念网络的短期光伏发电预测方法

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

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。     

改进ABC-SVM的参数优化及应用

支持向量机算法(SVM)的回归预测性能在很大程度上取决于模型参数的选择,提出一种基于改进人工蜂群算法的SVM参数优化方法并将其应用于铆接件铆接力的回归预测。针对ABC算法存在难以有效确定参数搜索范围的问题,基于支持向量机的渐近性能确定了ABC算法搜索SVM参数的"好区",再引入线性核函数进一步缩小搜索范围,有效地帮助了ABC算法更快搜索到全局最优参数。在此基础上建立改进的人工蜂群支持向量机(I-ABC-SVM)模型,将其应用于铆接力的回归预测。最后,采用仿真对比实验测试模型性能。仿真实验结果表明,相对于参比模型,I-ABC-SVM不仅表现出很强的泛化能力和较快地搜索速度,而且能够很好地解决SVM参数优化和ABC算法初始化参数设置的难题,同时保证了很好的预测性能。     

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

多尺度变异粒子群优化MK-LSSVM的轴承寿命预测

提出一种基于多尺度变异粒子群优化(MSPSO)算法和多核最小二乘支持向量机(MK-LSSVM)的预测新方法用于滚动轴承寿命预测。提取小波包相对能量特征对轴承性能衰退予以描述,提出MSPSO算法对MK-LSSVM模型参数进行优化选取,构造融合多核函数的LSSVM模型实现轴承寿命估计。MK-LSSVM中多核函数的引入克服了单核LSSVM对核函数类型强依赖性的弱点,MSPSO算法中种群全局大尺度均匀变异与个体局部邻域小尺度变异搜索联合策略的提出在增强种群多样性的同时保证了粒子群局部精确搜索的能力。利用实测滚动轴承振动数据分析,验证了所提MSPSO算法在模型参数优化及优化MKLSSVM模型在滚动轴承寿命预测应用中的有效性。