基于多核支持向量机的飞机重着陆诊断

将支持向量机应用于飞机重着陆的诊断研究。通过分析飞机着陆阶段的运动方程,确定造成飞机重着陆的主要影响因素,将传统的单一指标诊断扩展到多指标诊断。提出一种多核支持向量机,并在此基础上建立飞机重着陆诊断模型。与传统支持向量机和神经网络模型比较表明,该模型精度高,具有更强的泛化能力。     

基于改进遗传算法的支持向量机参数优化

支持向量机是一种非常有前景的学习机器,但是,支持向量机参数的选取一直没有一套成熟的理论,这给支持向量机的应用带来了很大的不便.为此,本文提出了基于改进遗传算法的支持向量机的参数优化方法,利用遗传算法的全局搜索能力得到支持向量机的最优参数值.仿真实验结果表明,得到的参数可使支持向量机具有良好的泛化性能,此方法切实有效.     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

基于支持向量机的中药工艺参数优化研究

提出了基于SVM的滴丸生产工艺参数优化方法,较好地预测了滴丸含水量,给出了各工艺参数取值范围,在实际生产中取得了良好效果。理论分析和仿真研究表明,该方法学习速度快、跟踪性能好、泛化能力强、对样本的依赖程度低,比基于BP神经网络的建模具有更好的推广能力。     

基于支持向量机的抽油机井故障诊断模型研究*

目前油田中最常用的采油模式为有杆抽油机举升方式,其具有安全、可靠、成本低和操作方便等诸多优点,但是由于有杆抽油机设备的工作环境恶劣,导致常常出现故障情况,增加了生产过程中不必要的生产成本。通过对抽油机故障示功图的研究和分析,建立了基于支持向量机的抽油机故障诊断模型,并进行了一系列的实验分析。实验结果表明,该故障诊断模型可以有效地解决抽油机故障诊断不及时,准确性不高等问题,大大提高了抽油机性能和效率,从而提高了油田的采收效率和经济效益。     

基于梯度算法的支持向量机参数优化方法

首先介绍最近出现的参数优化方法,概括了高效率的参数优化算法应具备的若干特点.然后提出了一种新的支持向量机参数优化方法.该方法先在局域内用混沌优化搜索局域最优点,再将此最优点作为梯度方向,通过改变局域范围跳出局部寻优区域.该方法降低了对性能函数连续且可微的要求,收敛速度快,最终优化解与支持向量机的参数初始值无关.最后,通过仿真实验表明了该方法具有更高的分类和回归准确率.     

十折交叉检验的支持向量机参数优化算法

针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到SVM的最优参数值,有效提高了分类的精度和效率。     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

基于混沌优化算法的支持向量机参数选取方法

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力．对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用变尺度混沌优化算法来搜索最优目标函数值．混沌优化算法是一种全局搜索方法,在选取SVM参数时,不必考虑模型的复杂度和变量维数．仿真表明,混沌优化算法是选取SVM参数的有效方法,应用到函数逼近时具有优良的性能．     

支持向量机及其在癌症诊断中的应用

支持向量机是基于统计学习理论框架下的一种简单、有效的分类方法。作为结构风险最小化准则的具体实现,支持向量机具有全局最优性和较好的泛化能力。文章通过对训练模型的超参数优化,构造了支持向量机非线性分类器,并将其应用于癌症病人的诊断,取得了较高的识别率。实验结果表明,支持向量机分类器能够快速准确地判断患者肿瘤是恶性还是良性,为治疗提供了可靠的依据,在医学诊断中具有广泛的应用前景。     

基于神经网络的民用飞机重着陆诊断技术研究

针对飞行品质监控工作中发现的国内航空公司对于重着陆的判断方法存在很多不足,一线飞行员和机务人员对此满意度不高,研究从造成重着陆的相关因素入手,利用QAR记录的多个飞行参数的信息,采用人工神经网络建立重着陆的诊断模型;以航空公司的B737机型的实际数据为样本对模型进行训练和验证,结果显示基于神经网络的模型能够准确判断重着陆事件,为重着陆的诊断提供了一条行之有效的途径,具有较强的工程实用价值和通用性。     

基于参数优化支持向量机的航空电子系统故障诊断

随着航空电子系统的不断发展,复杂性和关键性不断增强,其故障的实时在线诊断越来越受到重视;针对电子系统在故障诊断中表现出的非线性、复杂性、强干扰性和多样性的特点,提出采用支持向量机进行航空电子系统的故障诊断;同时,采用粒子群优化(PSO)算法实现支持向量机的参数寻优,以提高其参数选择的效率,避免人为选择参数的不足;仿真实验表明,该方法融合航空电子系统的多点测试信息,结构简单时效性高,故障检测正确率达到97.5％,平均故障识别正确率达到96.9％,适用于信息融合型的航空电子系统在线智能故障诊断.     

改进GA-PSO优化SVM的行人检测算法

针对当前对于行人检测的准确率和检测效率的要求越来越高,提出一种GA-PSO算法对于支持向量机（SVM）参数优化的行人检测方法。首先,针对梯度直方图特征描述子的维数高、提取速度慢,使用PCA对其进行降维处理;以SVM算法作为分类器,为避免传统单核支持向量机算法检测率低的情况出现,以组合核函数作为分类器核函数,并设置松弛变量,引进惩罚因子,结合遗传算法（GA）和改进权重系数的粒子群算法（PSO）进行组合系数和参数的优化与选择,根据优化后的参数构成最终的SVM分类器进行行人检测。实验结果表明,与传统SVM检测以及其他优化方法相比,检测率方面都有明显改进,且满足对检测效率的要求。     

基于优化支持向量机的供应链竞争力评价方法

供应链竞争力变量因素多、信息量少、数据收集困难,造成其难以被准确评价。针对该问题构建了一个新的供应链评价指标体系,提出了一种新的供应链竞争力评价方法。它利用蜂群算法全局优化能力强的优点,对支持向量机的控制参数进行有效优化,以此为基础,构建了ABC-SVM评价模型。实验结果表明,所提方法能够有效提高供应链竞争力的评价精度,对提高企业决策效率具有积极意义。     

多目标支持向量机及其在少样本故障诊断中的应用

支持向量机理论简单, 实用性很强, 被大量应用于故障诊断问题中. 在分析支持向量机参数对分类结果影响的过程发现, 不恰当的参数选择往往带来较差的分类结果. 采用启发式优化方法可以避免人为选择的不足, 但单纯以等效间隔距离为寻优目标又会较大概率出现“过学习”现象. 为降低整体结构风险, 将等效间隔距离、支持向量数量和错分率等同时作为优化目标, 提出了一种基于粒子群的多目标支持向量机方法, 并采用定时重启、动态学习因子等策略提升算法全局寻优能力. 最后将其应用于多故障强关联耦合的复杂柴油机故障诊断问题中. 实验结果表明, 该方法可以有效解决少样本、不完备或不确定征兆的柴油机异响故障诊断问题, 筛选得到的综合最优解更符合人们的期望.     

维纳模型的最小二乘支持向量机辨识

针对传统维纳模型辨识方法存在算法复杂、精度低的问题,通过对最小二乘支持向量机建模原理和维纳模型结构特点的分析,提出一种基于最小二乘支持向量机的维纳模型辨识新方法.该方法充分利用了维纳模型中具有线性环节这一先验知识,实现了线性和非线性环节参数的同时辨识.对于多变量维纳模型,该方法同样适用.给出并证明了该方法存在唯一解的约束条件 - 参数部分列满秩.仿真实验表明了该方法的有效性,与标准最小二乘支持向量机辨识方法相比,该方法具有更高的精度.     

基于支持向量机的故障诊断

将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。     

基于支持向量机的变压器故障诊断方法

为了提高变压器故障诊断的准确率,提出了一种支持向量机（SVM）和改进布谷鸟算法（WCS）及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法（PSO）、遗传算法（GA）、网格搜索算法（GS）等算法,该方法具有更高的诊断准确率.     

基于LS-SVM的供应链合作伙伴选择

随着企业在质量、价格、时间、柔性和创新等竞争领域的经营业绩越来越依赖于供应商网络,伙伴关系和有效的供应商管理变得越来越重要。在选择供应链合作伙伴的过程中,由于竞争地位与收益的不平衡,缺乏相互信任等因素会造成合作伙伴评价指标与实际值不相符合。为了能更好地提高企业选择合作伙伴的效率并减少其选择成本,选择最小二乘支持向量机（LS-SVM）算法对合作伙伴进行选择。实验证明,LS-SVM比普通的向量机不仅具有较高的训练效率,而且有更高的精确度。