改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于在线最小二乘支持向量机的变形镜建模与控制

为消除变形镜的建模误差，提出了基于在线最小二乘支持向量机的变形镜建模方法。首先，分析了温度和驱动器非线性等因素对变形镜响应矩阵的影响；然后，介绍了最小二乘支持向量机及在线更新的原理，并将其引入97单元变形镜的集成仿真模型。根据变形镜不断更新的运行数据，最小二乘支持向量机进行在线训练和模型更新，构建当前状态变形镜的等效模型，并输出下一时刻的电压预报值。仿真结果表明:基于在线最小二乘支持向量机的变形镜建模方法摆脱了固定模型的约束，具有自适应更新的特点，稳健性好，控制电压预测精度高，有利于提高自适应光学系统的控制精度。     

LSSVM在酒类近红外光谱检测中的应用

介绍了最小二乘支持向量机及光谱检测的基本理论,利用最小二乘支持向量机建立了光谱校正模型,对各种白酒进行了实验模拟,测量其酒精度的数值。得到的结果显示最小二乘支持向量机算法比其它算法,如主成份分析、偏最小二乘法等方法的精度更高。     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

自动文本分类技术研究

随着万维网的发展,文本分类成为处理和组织大量文档数据的关键技术。在阐述了文本分类算法的研究现状,分析了朴素贝叶斯(Na ve Bayes)、kNN和支持向量机(SVM)经典文本分类算法之后,提出了应用最小二乘支持向量机(LSSVM)算法来实现文本分类。对使用用最小二乘支持向量机和一般支持向量机的文本分类结果进行了比较,并得出了结论:使用最小二乘支持向量机进行文本分类缩短了文本分类的时间,并保证了一定的召回率和准确率。     

基于LS-SVM的在线文本识别方法

针对传统支持向量机无法适应文本数据库不断更新的要求,采用在线最小二乘向量机算法,提出了一种基于LS-SVM的在线文本识别算法,对训练样本进行在线拾取、识别,真实验表明该算法计算步骤少、函数收敛速度快,适合文本在线识别.     

曲波变换和最小二乘支持向量机的图像压缩算法

为了提高图像压缩质量,针对传统压缩算法的不足,提出一种曲波变换和最小二乘支持向量机相融合的图像压缩算法。首先采用曲波变换把图像分解为不同尺度和不同方向的曲波系数,并采用熵编码对粗尺度层曲波系数进行压缩,然后利用最小二乘支持向量机对细尺度层中不同方向的曲波系数进行学习,并通过和声搜索算法优化最小二乘支持向量机,实现细尺度层曲波数的压缩,最后采用图像压缩仿真实验测试其性能。结果表明,曲波变换和最小二乘支持向量机相融合的图像压缩算法提高了图像压缩的峰值信噪比,加快了图像压缩的速度,获得了更好的图像压缩效果。     

自适应迭代最小二乘支持向量机回归算法

 基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法. 与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机. 模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.     

基于最小二乘支持向量机的飞机备件多元分类

飞机后续备件配置直接关系到装备的战备完好率和寿命周期费用,对备件的正确分类是进行备件配置决策的前提。支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力。研究了新型支持向量机算法-最小二乘支持向量机,设计了基于多元分类的最小二乘支持向量机,在此基础上,建立了飞机备件多元分类模型,并对某机型的备件进行了分类。结果表明,基于最小二乘支持向量机的飞机备件多元分类方法是有效、可行的。     

基于支持向量机回归的模型辨识

提出了一种简化的基于遗忘因子矩形窗算法的最小二乘支持向量机回归算法。其针对标准支持向量机存在的缺陷,引入最小二乘、矩形窗以及遗忘因子等思想对其进行改进,最后通过仿真验证了该方法的有效性。     

基于在线LS-SVM的网络流量预测

为了提高流量预测的准确性,将混沌理论和在线LS-SVM回归技术应用于网络流量预测。采用相空间重构理论计算流量的时延τ、嵌入维数m,据此确定训练样本对并建立在线预测模型,对网络流量数据进行预测。结果表明,该方法能有效地进行流量预测,相对于传统的离线预测方式,该方法具有更好的预测精度。     

基于LS-SVM方法的视线角速率在线预测

首先通过时间加权末位淘汰机制对最小二乘支持向量机（LS-SVM）算法进行改进。其次,将这一算法应用于导引头视线被云层遮挡（穿云）或其他原因导致导引头失锁时对视线角速率的预测。导引头处于锁定状态时应用该算法进行在线训练,导引头视处于失锁状态使用训练形成的决策函数对视线角速率进行在线预测。最后,通过弹道末端设置导引头失锁的数学仿真结果,统计使用预估视线角速率（决策函数输出）作为末端导引信息的多条弹道的脱靶量,确认了最小二乘支持向量机对典型视线角速率信号预测的有效性和用于提高小型空地战术导弹穿云和抗干扰能力的应用前景。     

基于LS-SVM的机载天线伺服机构自适应控制

针对机载天线伺服机构运行时所受外力是快时变、变化范围大、且自身摩擦等非线性特性不能忽略的问题,提出一种基于最小二乘支持向量机(LS-SVM)的自适应控制设计方法。此方法将摩擦等非线性特性视为未知项,并利用LS-SVM在线估计被控对象的非线性未知项,从而设计得到LS-SVM的学习规则。系统运行结果证明:该方法能够很好地解决全范围内的系统稳定问题,并能在线跟踪任何光滑的输入信号,同时补偿摩擦等非线性特性,改善系统的动态品质和静态特性。     

最小二乘支持向量机在线建模在预测控制中的应用

针对智能预测控制中的预测模型,提出了最小二乘支持向量机(LS-SVM)在线模型的递推算法,减少了矩阵求逆计算。当模型达到较高的精度后,每次迭代过程中当一个新的数据点加入到数据集,则把具有最小|αi|的数据点删除。不但解决了数据集规模的问题,而且提高了预测模型的精确性。通过仿真验证了基于在线LS-SVM模型的预测控制可以使系统快速、准确地跟踪期望输出,达到预期的控制效果。     

Multi-Resolution Least Squares Support Vector Machines

The Least Squares Support Vector Machines (LS-SVM) is an improvement to the SVM. Combined the LS-SVM with the Multi-Resolution Analysis (MRA),this letter proposes the Multi-resolution LS-SVM (MLS-SVM).The proposed algorithm has the same theoretical framework as MRA but with better approximation ability.At a fixed scale MLS-SVM is a classical LS-SVM,but MLS-SVM can gradually approximate the target function at different scales.In experiments,the MLS-SVM is used for nonlinear system identification,and achieves better identification accuracy.     

基于微粒群算法的LS—SVM时间序列预测

将微粒群算法引入到最小二乘支持向量机(LS-SVM)时间序列预测,建立预测模型。思路来自微粒群算法可以在超平面空间中实现优化搜索,因此,将微粒群算法中的微粒运动公式进行修正,从而实现对LS-SVM的训练。然后用训练过的LS-SVM进行预测,即得到最终结果。将此方法应用于销售量预测,结果表明,此模型有更高的预测精度,而且在不同的LS-SVM学习参数下模型的误差相对稳定。     

基于LS-SVM的压电智能结构损伤主动监测

基于被动监测技术的局限性,搭建了损伤主动监测系统,对监测信号进行了功率谱密度最大值(PSM)特征提取,并提出了一种基于最小二乘支持向量机(LS-SVM)的损伤检测方法。采用该方法,对压电智能复合材料层板进行了损伤定位的研究,并与改进的BP网络进行了对比,结果表明:在相同性能指标下,LS-SVM有比BP网络更高的损伤定位精度及更强的泛化能力。LS-SVM与主动监测技术的融合,为结构实现在线实时准确监测提供了一种新途径。     

Hysteresis modeling and compensation of a piezostage using least squares support vector machines

Hysteresis effect degrades the positioning accuracy of a piezostage, and hence the nonlinearity has to be suppressed for ultrahigh-precision positioning applications. This paper extends least squares support vector machines (LS-SVM) to the domain of hysteresis modeling and compensation for a piezostage driven by piezoelectric stack actuators. A LS-SVM model is proposed and trained by introducing the current input value and input variation rate as the input data set to formulate a one-to-one mapping. By adopting the radial basis function (RBF) as kernel function, the LS-SVM model only has two free hyperparameters, which are optimally tuned by resorting to Bayesian inference framework. The effectiveness of the presented model is verified as compared with two state-of-the-art approaches, namely, Bouc–Wen model and modified Prandtl–Ishlinskii (MPI) model. In addition, the LS-SVM inverse model based feedforward control combined with an incremental proportional–integral–derivative (PID) feedback control is designed to compensate the hysteresis nonlinearity. Experimental results show that the LS-SVM model based hybrid control scheme is superior to the Bouc–Wen model and MPI model based ones as well as either of the stand-alone controllers. The rate-dependent hysteresis is suppressed to a negligible level, which validates the effectiveness of the constructed controller. Owing to a simple procedure, the proposed LS-SVM based approach can be applied to modeling and control of other types of hysteretic systems as well.     

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数（LAI）时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机（SVM）是一种有效的数据分类和回归预测工具,而最小二乘支持向量机（LS-SVM）是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。     

基于最小二乘支持向量机的图像边缘检测研究

本文研究了基于最小二乘支持向量机(LS-SVM)的图像边缘检测技术,利用LS-SVM对图像像素邻域的灰度值进行曲面拟合,通过采用多项式核函数、高斯核函数推导出图像的梯度和零交叉算子,并结合梯度算子和零交叉算子实现了图像边缘定位.通过实验获取了不同核函数的最佳卷积核的大小,同时采用遗传算法对不同核函数的参数进行寻优以获得最佳的边缘检测性能.通过与Canny方法的实验比较,验证了本文提出的边缘检测方法是有效的.