基于SSA-LSSVM模型的差动电感式位移传感器的温度补偿

针对差动电感式位移传感器的温度漂移问题,提出了一种新的温度补偿模式。采用一种麻雀搜索算法(SSA),进一步优化最小二乘支持向量机(LSSVM)的计算;为了提高模型性能,进一步优化了惩罚因子和RBF核函数参数;为了弥补传统LSSVM需要凭借历史经验选取参数的弊端,利用差动电感式位移传感器的二维标定试验得到位移及温度的标定数据建立数据集,通过训练构建了SSA-LSSVM模型。研究结果表明：经过温度补偿后,传感器的零点温度系数减小了2个数量级,灵敏度温度系数减小了1个数量级,相比已有研究结果具有更高的精度。     

基于LSSVM和GA的镍铬合金薄膜制备工艺参数优化

为提高磁控溅射镍铬合金薄膜的性能和确定最佳工艺参数条件,建立了一种粒子群-最小二乘支持向量机(PSO-LSSVM)和遗传算法(GA)联合优化算法。以功率、压强、基底温度及偏压为因素设计表面粗糙度和沉积速率的正交试验;采用极差分析法得到工艺参数组合,并分析了该方法存在的不足;通过最小二乘支持向量机分别建立对表面粗糙度和沉积速率的预测模型。为提高预测模型的精度,提出了高斯核函数与多项式核函数的加权混合核函数,采用粒子群算法对权重因子、惩罚因子、高斯核带宽以及多项式阶次进行多目标寻优,得到LSSVM非线性回归预测函数。将回归预测函数作为遗传算法的适应度函数,并确定四种相关因素的约束条件,分别得到了两种性能的最佳工艺参数。     

基于PSO-LSSVM的网络化制造系统安全检测

为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.     

基于PSO-SVR的压力传感器温度补偿

针对压力传感器受温度漂移影响而造成的精度和可靠性下降的问题,建立粒子群优化算法与支持向量回归机结合的PSO-SVR温度补偿模型。利用PSO优化SVR的惩罚系数和核参数,改善粒子陷入局部最小值的问题。通过对测试集预测,得到最大绝对误差为0.001 6,均方误差为0.000 8%。PSO-SVR模型的补偿精度比RBF网络和SVM高。PSO-SVR模型能够满足实际使用的精度要求。     

粒子群优化算法在改善传感器稳定性中的应用

针对最小二乘支持向量机在建立传感器回归模型时,其惩罚因子及核函数参数难以确定的问题,提出了利用粒子群算法对模型参数进行优化选取的方法,以提高模型的预测准确度及建模效率,并与遍历优化方法进行比较。实验结果表明,采用粒子群算法进行参数优化所用时间约为1621s,得到的模型预测结果均方误差为1.24×10-6;而采用遍历优化所用时间约为21599s,所得模型预测结果均方误差为2.74×10-5。采用粒子群算法进行参数优化使得建模效率和建立的模型预测准确度提高了一个数量级。测试样本计算表明,经过粒子群算法优化之后建立的传感器回归模型使得传感器的温度灵敏度系数及电流灵敏度系数比建模前降低了大约97%,比采用遍历优化方法降低了约85%,传感器的稳定性得到了大幅度改善。该方法切实有效,具有一定的发掘空间和实际应用价值。     

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。     

基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法.首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互...     

基于粒子群算法优化SVM在电池SOC估算中的应用

为了实现井下救生舱动力电池SOC(State Of Charge)的估算,将支持向量机(SVM)的方法应用于电池SOC的估算中。为了得到合适的惩罚因子C和核函数K,利用粒子群算法来优化支持向量机;建立了支持向量机模型,对井下救生舱的电池剩余电量进行预测。实验结果表明:采用粒子群优化支持向量机的方法具有较高的准确度,有一定的实用价值。     

考虑样本异常值的改进最小二乘支持向量机算法

针对最小二乘支持向量机对异常值敏感、缺乏鲁棒性的情况,提出一种考虑样本异常值的改进最小二乘支持向量机算法。该算法首先通过采用局部异常因子检测算法为每个数据样本计算一个LOF因子,根据其因子值能够有效地将样本分成正常样本和异常样本,然后针对不同样本进行单独设置样本权重。其有效地保证了在降低异常样本权重的同时而不使正常样本权重受到影响,使最小二乘支持向量机在达到目标函数最优化的同时能够保证正常数据信息不丢失,以提高模型的鲁棒性。最后,通过引入"信息熵"和"平均粒距"来改进粒子群算法,将其应用于模型的参数优化。经过实验仿真表明,该算法能够有效地提高模型的鲁棒性,随着异常样本的增多,其模型精度提高大约67%。     

基于最小二乘支持向量机的压力传感器温度补偿

压力传感器的输出不仅随压力变化,而且易受环境温度的影响,因而限制了传感器的测量精度。为了克服压力传感器的上述缺陷,本文提出了一种基于最小二乘支持向量机的温度补偿方法,并用虚拟仪器技术予以实现。与常用的误差反传神经网络方法相比,最小二乘支持向量机可获得更好的泛化性能,不易发生局部最优及过拟合现象。因此该方法能有效地消除温度对传感器输出的影响。实例表明,补偿后的压力传感器具有更高的测量精度和温度稳定性。     

基于PSO-SVM的变压器故障诊断研究

支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。     

圆光栅角度传感器的误差补偿及参数辨识

基于正弦函数和粒子群算法提出了一种误差补偿及参数辨识方法,用于提高圆光栅角度传感器的测量精度。使用光电自准直仪和金属多面体对圆光栅角度传感器的测量误差进行了离散标定,通过对标定数据的频谱分析,发现传感器测量误差主要由几种不同频率的正弦函数信号组成,由此提出了一种基于正弦函数的圆光栅角度传感器误差补偿模型。补偿模型中包含7个待定常量,本文采用粒子群算法求解这7个待定常量以克服最小二乘法无法收敛的问题。以待定常量为粒子位置坐标,以平均误差为适值函数,建立了一种基于粒子群算法的参数辨识模型,并根据参数辨识模型求出最优的待定常量。应用补偿模型对关节臂式坐标测量机的6个圆光栅角度传感器测量误差进行了补偿,结果表明:补偿后各角度传感器的平均测量误差减小了约398～1102.5倍,大大地提高了传感器的测量精度。     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘支持向量机具有完备的统计学习理论基础和学习功能,它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

基于PSO-LSSVM的水分仪称重传感器非线性补偿研究

水分仪称重传感器的输出与待烘干物重量存在一定的非线性关系,且烘干失重法对传感器工作环境温度影响也会造成称重传感器输出的非线性变化。在分析传统应片式传感器非线性输出的产生机理基础上,提出一种基于变异粒子群-最小二乘支持向量机(PSO-LSSVM)的新型称重传感器非线性补偿方案:首先采用噪声协方差可变的卡尔曼滤波算法对称重传感器输出数据进行滤波,减小噪声的影响;再将滤波后的数值与环境温度值作为回归参量,建立基于LSSVM算法的水分仪称重模型;利用变异PSO算法对模型进行参数寻优。实验表明,在220 g/0.001 g水分仪中采用本方法对传感器输出进行非线性补偿后,称量精度明显优于国家检定规程标准;此外,该方法满足在小训练样本条件下,具有很好的泛化性。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

优化支持向量机及其在智能故障诊断中的应用

单一支持向量机在轴承齿轮故障诊断中精度较低,为了提高支持向量机在轴承齿轮故障诊断中的精度,对支持向量机的样本特征提取方法以及支持向量机参数优化的方法进行了研究。首先,通过核主成分分析方法构造支持向量机的输入样本,可以减少数据间的冗余,提取数据的高维信息;其次,通过粒子群优化算法优化支持向量机核函数参数和惩罚因子;最后,使用优化后的支持向量机模型进行故障诊断。通过实际轴承齿轮故障诊断对比实验,结果表明,所提方法相比一般的支持向量机诊断方法诊断精度大幅提高,验证了该混合智能诊断方法的有效性和优势。     

磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

自动气象站数据采集器温度通道的环境温度补偿

针对自动气象站数据采集器温度通道容易受到环境温度影响限制测量精度的问题,对数据采集器进行了温度漂移检测实验并对实验数据进行了误差分析,提出了基于改进自适应遗传算法优化的最小二乘支持向量机(improved adaptive geneticalgorithm least squares support vector machine,IAGA-LSSVM)的温度补偿方法。改进的自适应遗传算法能够对最小二乘支持向量机拟合过程中的关键参数进行调整从而建立最优模型。与传统LS-SVM相比,IAGA-LSSVM对温度数据的建模均方根误差减小了0.007,有效提高了建模的精度。根据建立的最优函数模型对该数据采集器温度通道进行温度补偿结果表明,经该方法补偿后的数据采集器在任何温度环境下的温度测量误差均小于0.03℃,具有更高的测量精度和稳定性,有效提高了自动气象站的温度观测质量。同时,设计开发了温度补偿界面,为自动气象站观测数据校验和实际业务应用奠定了基础。