基于LS-SVM的乙醇浓度软测量在酵母生产中的应用

在酵母生产过程中,乙醇浓度是一个很重要的控制参数,但目前的检测手段多为离线人工测量,不能实现乙醇浓度的测控自动化,是束缚生产效率的重要原因。本文采用最小二乘支持向量机(LS-SVM)方法进行回归估计,完成了对乙醇浓度的软测量。试验结果表明基于LS-SVM的软测量方法可以很好地实现乙醇浓度在线自动测量。     

基于LS-SVM的一类非线性系统的性能估计

控制系统性能估计的研究多数针对线性系统,但是非线性系统本质上更加复杂,用传统的方法进行估计存在局限性.对于一类可由非线性部分叠加线性干扰表示的非线性系统,首先分析了其反馈不变量的存在性,指出此类系统性能估计的关键在于构造超前预测模型.接着用最小二乘支持向量机辨识非线性模型,把最小方差性能估计问题转换成模型参数辨识问题,...     

基于小波核LS-SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义.支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题.介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力.通过对实测网络流量数据的学习,对未来网络流量进行预测.实验结果表明,取得了较好的预测效果.     

基于假设检验及异常点剔除的稳健LS-SVM回归

提出一种稳健的LS-SVM回归算法。该算法建立在异常样本逐步剔除的框架上,每次循环中选择误差最大的样本加以考察,然后使用统计假设检验方法对其进行诊断。若样本被诊断为异常样本,则将其剔除,并重新训练LS-SVM,为下一轮的异常点诊断和剔除提供更准确的信息。同时为了减少运算复杂度,我们还将减量学习引入到算法的重新训练过程中,从而保证算法的附加复杂度不超过O(N³)。仿真数据集和实际数据集上的详细实验证实该算法的优越性,并提供一种使用该算法建立异常样本检测器的思路。     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

基于LS-SVM的石油期货价格预测研究

建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测,并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度,明显优于RBF神经网络预测模型。     

基于PCA 的LS-SVM 预测模型应用

油气储层的识别和预测是当今热门的研究课题。本文以实地测井数据为基础,提出基于PCA的LS-SVM预测模型对储层油气进行分类预测,并与人工神经网络预测模型对比。结果表明,该模型的性能优于其它模型,具有一定的应用价值。     

基于LS-SVM的图像去噪方法

支持向量机是一种基于统计学习理论的机器学习方法，该方法已广泛用于解决分类问题和回归问题。文中将最小二乘支持向量机应用于图像去噪中，并同小波去噪及中值滤波进行了比较分析。仿真结果表明，该方法能较好的保存图像细节，并具有很好的泛化能力。     

基于LS-SVM的小样本费用智能预测

最小二乘支持向量机引入最小二乘线性系统到支持向量机中,代替传统的支持向量机采用二次规划方法解决函数估计问题。该文推导了用于函数估计的最小二乘支持向量机算法,构建了基于最小二乘支持向量机的智能预测模型,并对机载电子设备费用预测进行了研究。结果表明最小二乘支持向量机具有比多元对数回归更高的小样本费用预测精度。     

基于GNSS的铁路路基安全监测系统研究

为了解决路基在施工与运行时变形/沉降的安全监测问题,满足其自动化、实时性与长期性的监测要求,设计了基于GNSS的铁路路基安全监测系统.该系统通过收集高精度卫星定位信息,采用相关函数和模糊综合处理对铁路路基水平位移与垂直沉降进行实时监测.采用GPRS网络实现监测终端与远程控制中心的通信,满足远程数据传输与命令控制要求,同时采用短信息方式实现对监测终端无响应的应急处理,提高系统可靠性.经山西中南通道重载铁路监测实验表明,系统能长期对铁路路基的位移/沉降进行实时监测,并能合理分析出路基的变形趋势,从而提高了铁路路基监测的自动化水平,同时监测误差精度达到1～2 mm,满足了铁路路基位移/沉降的监测要求,为铁路路基安全监测提供了可靠的监测与监控手段.     

基于GNSS的地面灰色沉降信息自动监测系统设计

地面沉降监测一般使用一、二等水准观测,需要工作人员长时间观测数据,费时费力、效率不高.基于此,设计一种基于GNSS的地面灰色沉降信息自动监测系统.该系统由数据采集终端、监控中心、云平台和报警系统构成.分析地面灰色沉降信息特性,利用数据采集终端完成监测点GNSS原始数据采集,并通过无线网络将数据传输给监控中心.监控中心收...     

基于KPLS和LS-SVM的过程参数预测及其应用

针对有色冶炼净化过程流程长、影响因素多以及非线性强等特点,提出了一种结合最小二乘支持向量机和核偏最小二乘回归的过程参数预测方法。考虑到过程参数时间序列具有高噪声和非平稳等特性,首先基于小波多分辨率分析方法将参数时间序列分解成具有不同频率特征的子序列,然后根据分解后各自序列的特点,利用最小二乘支持向量机和核偏最小二乘回归法对各子序列进行建模,最后对各分量预测信号重构合成得到最终的预测结果。将该建模方法应用于锌湿法冶炼净化除钴过程钴离子浓度的预测,并应用工业现场的数据进行了实验验证,结果表明,该预测模型性能优于最小二乘支持向量机模型,具有较好的泛化能力和较强的鲁棒性。     

基于LS-SVM和核密度估计的概率性风电功率预测

近年来风电在我国发展迅猛,但风速的不稳定性和间歇性,使风电功率也具有同样的性质,这样的电功率注入会带来电力系统运行的不稳定,因此,风电功率的预测对风电并网及使用具有重要意义。鉴于此,开展风电功率的短期预测研究,利用LS-SVM对风电功率进行建模并实现确定性的短期预测,在此基础上使用非参数统计法对确定性预测模型的预测误差进行拟合获得其密度函数,计算各功率段的置信区间以得到概率性预测结果,从而提高风电功率预测结果的实用性和可靠性。与常用的自回归滑动平均模型和BP神经网络模型进行对比实验,证明本方法的性能及优势。     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

基于GNSS的建筑物沉降监测系统设计

针对建筑物沉降监测问题,设计了一套基于GNSS的建筑物沉降监测系统。该系统由数据采集终端、监控中心、云平台及报警系统组成。数据采集终端负责监测点GNSS原始数据采集,使用GPRS无线网络将监测数据传输至监控中心。监控中心负责监测点沉降量计算,并将监测结果实时显示及推送至云端。系统采用静态相对定位技术,并对其数据处理进行自动化改进,实现对建筑物的24小时不间断监测。测试结果显示,系统具有较好的监测精度,能够满足建筑物沉降监测的需要。     

地铁隧道沉降变形实时监测系统误差分析

根据图像传感器网络的沉降变形监测原理,建立地铁隧道沉降变形监测系统的数学模型。利用误差分析理论对系统测量误差进行分析,提出沉降变形监测系统的误差累积计算模型。给出在满足1 km的测量距离上获得±3 mm的测量精度条件下,图像传感器应满足的精度要求。分析该监测系统控制累积误差随监测点数增多而扩大的有效性,为提高监测系统的精度提供理论依据。     

基于伪卫星的GNSS星地时间同步评估仿真研究

全球卫星导航系统(GNSS)的星地时间同步性能直接影响接收机的定位精度。对星地时间同步性能进行准确的评估,进一步完善该性能。对提高系统的位置服务精度具有重要意义。提出采用计算机仿真条件下的GNSS卫星星地时间同步评估技术进行了研究,采用伪卫星和定位误差的星地时间同步评估方法。通过仿真对不同测量误差和噪声条件下的卫星钟差和定位误差间的关系进行了分析。采用统计的方法对星地时间同步误差进行估计并给出了评估正确率,为真实条件下进行星地时间同步性能评估提供参考。     

基于小波包分析和LS-SVM的柴油机故障诊断方法

针对某柴油机检测样本小,难以准确估计故障的状况,提出了一种基于小波包分析和最小二乘支持向量机的柴油机故障诊断方法;利用小波包分析对柴油机缸盖振动提取频谱能量并对干扰信号进行处理,从而获得故障征兆样本集;由于柴油机故障的征兆样本集有限性,提出了采用最小二乘支持向量机分类方法构建柴油机故障分类器;结果表明,经过小波处理过后的振动信号再经过LS-SVM辨识网络训练,能够准确地诊断和预测故障。     

基于聚类的LS-SVM的入侵检测方法研究

本文针对最小二乘法支持向量机在入侵检测中的训练效率低下的缺点,将聚类方法应用其中。该方法主要用来对数据集进行剪枝,有效地减少距离分类面较远的数据集合数量,而使用靠近聚类中心的数据集合作为有效的样本集合,减少样本的训练时间,提高训练效率。实验表明,使用聚类方法提高了最小二乘法支持向量机的训练效率,而且对入侵检测有很好的效果。