基于SVM回归柔性机构的动态可靠性研究

在柔性机构(Flexibility Mechanism,FM)动态可靠性分析中,为了提高其计算精度和计算效率,通过融合蒙特卡洛和支持向量机回归理论,提出了一种新的SVM回归极值法(SVM Regression Extremum Method,SREM)。该方法借助ADAMS软件抽取FM动态响应极值的小样本,基于支持向量机回归理论建立FM动态响应极值的代理模型,使用此代理模型进行FM动态响应可靠性分析。最后,利用蒙特卡洛法、SVM回归极值法和另外两种方法对柔性曲柄摇杆机构的摇杆最大摆角可靠度进行分析。结果显示:在小样本情况下,SVM回归极值法的计算精度与MC相当,精度明显高于另外两种方法;SVM回归极值法的计算效率比MC大幅度提高,与另外两种方法计算效率相当。验证了在小样本情况下,SREM在FM动态可靠性分析中高效率和高精度。     

遗传算法在响应曲面拟合中的应用

响应曲面方法（RSM）是一种重要的实验设计优化方法,但是当影响因素和响应输出之间的关系异常复杂时,RSM难以拟合影响因素和响应输出之间的响应曲面.遗传算法（GAs）是一种借鉴生物界自然选择和进化发展起来的高度并行、随机、自适应搜索算法,具有强大的搜索能力.本文将遗传算法引入RSM,通过对遗传算法各参数的设计和改进,克服了传统遗传算法易局部收敛的问题.     

基于GSA-SVM的循环流化床锅炉NOx排放特性模型

为了准确地预测循环流化床锅炉NOx排放量,以某热电厂循环流化床锅炉燃烧数据为样本,提出了基于支持向量机（SVM）的循环流化床锅炉NOx排放特性GSA-SVM模型。由于SVM精度及泛化能力依赖于参数选择,故将万有引力搜索算法（GSA）运用到模型参数寻优过程中,利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与BP神经网络、粒子群(PSO)和遗传算法(GA)优化的SVM模型进行比较,仿真实验证明GSA-SVM模型具有很好的辨识能力及良好的泛化能力。     

基于GPR的3D打印稳健性参数设计

为提高3D打印成型工件精度,降低其对不可控因子变化的敏感性,提出一种基于高斯过程回归建模和改进粒子群寻优的稳健参数设计方法。首先,选择4个显著的可控因子：层厚、打印速度、热床温度、喷嘴温度,并确定其可行域;其次,利用超拉丁方设计获取建模样本集,采用高斯过程回归分别拟合打印工件精度均值和方差的两个响应曲面模型;然后,以均值方差之和最小化为寻优目标,采用惯性权重非线性递减的改进粒子群算法对模型寻优;最后,通过现场实验对寻优结果进行验证。与传统双响应曲面法的对比表明,所提方法在优化结果、拟合性能、寻优能力等方面有显著的改善和提高。     

基于代理模型和改进遗传算法的注塑翘曲优化

提出一种最小化制品翘曲的注塑工艺参数优化集成方法.以空调柜机顶盖注塑制品开发为例,该方法使用Moldflow软件分析制品的翘曲变形,运用田口方法确定与制品翘曲量密切相关的工艺因素,然后采用响应曲面法(RSM)和改进的精英保留自适应遗传算法(EAGA)相结合的方法,建立主要影响工艺参数与制品翘曲量之间的关系模型,通过对模型寻优以实现对制品翘曲的优化.该方法的适用性在制品的实际生产中得到了验证.     

基于SVM的彩色扫描仪特征化

研究了基于支持向量机(SVM)的彩色扫描仪特征化方法,分析了采用SVM回归法实现RGB色空间与CIELab色空间非线性变换的可能性。研究结果表明:L,a,b测试值与预期值的回归相关性达到99%以上,其中CIELab色差平均值、最大值和最小值分别为2.314 3,5.791 7和0.507 3;利用SVM回归法可满足扫描仪特征化的精度要求,体现了SVM在小样本拟合中的精度和时间优势。     

基于SVM的ECT图像重建算法

电容层析成像（ECT）技术是基于电容敏感机理的过程层析成像技术。ECT的图像重建是一个典型的有限样本非线性映射问题。支持向量机（SVM）作为一种小样本处理方法,具有较强的泛化能力,被认为是目前针对小样本分类问题的最佳理论。提出了一种基于SVM的四层神经网络的图像重建算法,仿真结果表明,该算法用于三相流图像重建具有较强的空间分辨率和泛化能力。     

基于粒子群支持向量回归的原位自生工艺参数优化

综合应用激光熔覆和原位反应增强金属基复合材料,是当前金属基复合材料研究领域的一个热点,本文采用该工艺制备铁基表面复合材料,重点考虑该工艺参数的确定问题.根据在不同工艺参数下合成的铁基表面的WC体积分数实测数据集,提出建立不同工艺参数下WC体积分数的支持向量回归预测模型,并与基于人工神经网络模型(ANN)的预测结果进行比较.结果显示:对于相同的训练样本和检验样本,SVR预测模型比ANN预测模型具有更强的泛化能力.最后根据建立的预测模型,应用粒子群算法寻优得到最优工艺参数,该工艺参数在实际实验过程中的应用,验证了该方法的有效性.     

基于GPR响应曲面法的3D打印参数优化研究

采用基于高斯过程回归的响应曲面法优化3D打印的过程参数,以降低打印件侧面的精度损失,改进打印质量。首先选择层厚、打印速度、喷嘴温度和热床温度四个较为显著的因素,运用拉丁超立方抽样设计实验;然后采用高斯过程回归拟合侧面误差的响应曲面模型;进一步运用精英保留遗传算法对模型寻优,并对寻优结果进行实验验证;最后选用同样的参数与实验域进行传统响应曲面实验,经部分因子实验、最速下降实验和响应曲面实验后得到最终优化结果。结果显示:高斯过程回归响应曲面的优化结果总相对误差为2.917‰,与传统响应曲面模型相比误差减少38.59%,且其预测的置信区间也比传统响应曲面模型缩短78.14%。说明所提方法在参数优化和复杂系统建模方面有效性。     

基于移动最小二乘法的曲线曲面拟合

建立了一种基于移动最小二乘(MovingLeast-Squares,MLS)法的曲线曲面拟合方法。这种方法对传统的最小二乘(LS)法的作了比较大的改进,使生成的曲线曲面具有精度高、光滑性好等许多优点。详细介绍了移动最小二乘法的原理、应用和特点,并且给出了使用移动最小二乘法进行曲线曲面拟合的程序设计流程。最后给出了曲线拟合和空间散乱数据曲面拟合算例,将拟合结果与最小二乘拟合结果作了比较,分析了MLS拟合曲线曲面的光滑性和拟合质量,表明了该方法的优越性和有效性。     

Genetic algorithm-least squares support vector regression based predicting and optimizing model on carbon fiber composite integrated conductivity

Support vector machine (SVM), which is a new technology solving classification and regression, has been widely used in many fields. In this study, based on the integrated conductivity(including conductivity and tensile strength) data obtained by carbon fiber/ABS resin matrix composites experiment, a predicting and optimizing model using genetic algorithm-least squares support vector regression (GA-LSSVR) was developed. In this model, genetic algorithm (GA) was used to select and optimize parameters. The predicting results agreed with the experimental data well. By comparing with principal component analysis-genetic back propagation neural network (PCA-GABPNN) predicting model, it is found that GA-LSSVR model has demonstrated superior prediction and generalization performance in view of small sample size problem. Finally, an optimized district of performance parameters was obtained and verified by experiments. It concludes that GA-LSSVR modeling method provides a new promising theoretical method for material design.     

基于加权线性响应面法的支持向量机可靠性分析方法

针对估算非线性隐式极限状态函数的失效概率问题,提出了一种基于加权线性响应面法的支持向量机可靠性分析方法。首先采用加权线性响应面确定设计点,在线性响应面迭代的同时获得一定数量的样本,然后在这些样本和设计点附近补充抽取样本的基础上,采用具有良好小样本学习能力的支持向量机方法来训练样本,保证了在设计点周围获得更好的非线性极限状态函数的替代。这种方法既保证了对设计点的精确近似,又保证了对设计点附近非线性极限状态函数的良好近似,大大提高了失效概率的计算精度,为非线性隐式极限状态的可靠性分析提供了一种合理可行的方法。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

Response Surface Modeling and Optimization in Multiresponse Experiments Using Seemingly Unrelated Regressions

Response surface methodology (RSM) is widely used for optimizing manufacturing processes and product designs. Most applications of RSM involve several response variables. In a typical RSM study, the experimenter will build an empirical model such as the second-order model to each response and use these models to determine settings on the design variables that produce optimal or at least acceptable values for the responses. In most multiple-response RSM problems, the experimenter fits a model to each response using ordinary least squares (OLS). This article illustrates another estimation technique useful in multiple-response RSM problems, seemingly unrelated regressions (SUR). This technique can be very useful when response variables in a multiple-response RSM problem are correlated. Essentially, SUR produces more precise estimates of the model parameters than OLS when responses are correlated. This improved precision of estimation can lead to a more precise estimate of the optimum operating conditions on the process.     

冷壁面霜层生长的支持向量机模型

针对结霜过程因具有明显的非线性特征,采用传统方法难以精确预测的问题。建立了基于支持向量机的冷壁面霜成生长的预测模型,应用实验数据对模型进行验证、评估,并与基于最小二乘法的非线性多元回归模型进行了对比、分析。结果表明,基于支持向量机的预测模型能够很好的解决非线性预测问题。在已建立的预测模型基础上,以霜层生长过程中传热率预测为例,分别在测试集中的自变量与因变量加入不同噪声信号对模型预测性能影响进行了研究。结果表明,基于支持向量机的模型具有良好的抗干扰能力。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

Analysis and classification of malignancy in pancreatic magnetic resonance images using neural network techniques

Computer-aided diagnosis (CAD) is a computerized way of detecting tumors in MR images. Magnetic resonance imaging (MRI) has been generally used in the diagnosis and detection of pancreatic tumors. In a medical imaging system, soft tissue contrast and noninvasiveness are clear preferences of MRI. Inaccurate detection of tumor and long time consumption are the disadvantages of MRI. Computerized classifiers can greatly renew the diagnosis activity, in terms of both accuracy and time necessity by normal and abnormal images, automatically. This article presents an intelligent, automatic, accurate, and robust method to classify human pancreas MRI images as normal or abnormal in terms of pancreatic tumor. It represents the response of artificial neural network (ANN) and support vector machine (SVM) techniques for pancreatic tumor classification. For this, we extract features from MR images of pancreas using the GLCM method and select the best features using JAFER algorithm. These features are analyzed by five classification techniques: ANN BP, ANN RBF, SVM Linear, SVM Poly, and SVM RBF. We compare the results with benchmark data set of MR brain images. The analytical outcome presents that the two best features used to classify the MR images using ANN BP technique have 98% classification accuracy.