基于PSO算法和SVR模型的加工中心可靠性模型参数估计

针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。     

基于GWO-SVM的石化旋转机械轴承故障诊断

针对传统的无量纲指标在不同故障之间存在数据重叠，导致故障诊断准确率低的问题，提出了一种基于互无量纲指标和灰狼算法优化支持向量机(GWO-SVM)的故障识别模型。利用灰狼算法强大的全局搜索能力，对支持向量机关键参数惩罚因子和核函数参数进行寻优，并采用广东省石化装备故障诊断重点实验室多级离心风机轴承数据进行验证。实验证明:GWO-SVM能精确地对轴承故障类型进行分类，同时GWO-SVM相对于单纯的SVM模型和遗传算法优化SVM模型具有更短的算法运行时间和更高准确率，平均准确率高达90%。     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。     

基于IGA-SVM的汽轮机故障诊断研究

针对支持向量机相关参数很难预先确定合适的取值,而这些相关参数又对其分类精度有着很大影响的问题,本文利用改进的遗传算法(IGA)对支持向量机的相关参数进行了优化.将改进遗传算法优化的支持向量机(IGA-SVM)算法应用于汽轮机故障诊断中,并与标准遗传算法优化的支持向量机(GA-SVM)算法的识别结果进行比较.结果表明,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,对汽轮机的故障诊断有显著的指导作用.     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

IPSO-RVM的轴承故障识别方法

针对轴承故障诊断过程中传统粒子群优化支持向量机所存在的分类效果较差以及传统粒子群寻优不准确的问题,提出改进粒子群算法优化相关向量机的方法。利用自适应的惯性权重和加速因子,使粒子前期的搜索速度更快,后期的收敛速度更快;构建改进粒子群优化相关向量机(IPSO-RVM)模型和改进粒子群优化支持向量机(IPSO-SVM)模型,与粒子群优化支持向量机(PSO-SVM)模型进行相互对比实验。经仿真实验验证,IPSO-RVM的分类准确率比IPSO-SVM高5.8%,比PSO-SVM高8.7%;IPSO-RVM的运行时间为比IPSO-SVM与PSO-SVM分别慢0.58 s与4.28 s。综上,与PSO-SVM和IPSO-SVM相比,新方法能够在保证时间运行合理的情况下提高分类准确率。     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于改进粒子群优化LS-SVM的变压器故障气体预测

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择.提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测.改进粒子群算法在每次迭代中,将粒子群进行分类,不同类...     

基于最小二乘支持向量机的黏着状态辨识

针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。     

基于粒子群优化LS-WSVM的电机断条故障诊断

为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法。首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集。再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小波支持向量机对测试集进行分类。实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法。本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

基于子带谱熵法和PSO-GA-SVM的汽车鸣笛识别

针对鸣笛抓拍系统会产生误判的问题,提出了一种基于子带谱熵法和支持向量机的汽车鸣笛识别算法. 首先,使用子带谱熵法对声音样本进行初判,将子带谱熵高于阈值的样本直接判定为非鸣笛样本. 然后,对初判为鸣笛的样本中的疑似鸣笛部分进行分割,并提取Mel频率倒谱系数作为声音的特征. 最后,使用支持向量机对分割结果进行进一步分类,并使用粒子群算法与遗传算法的融合来优化支持向量机的参数. 仿真结果表明,该算法具有较好的鲁棒性. 在对实际采集样本的鸣笛识别中,该算法也取得了较高的准确率.     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型. 利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机. 基于Spark并行化参数寻优算法,提高模型的训练效率. 提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机（SPGAPSO-CKRVM）. 使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数：平均车速、路段饱和度和交通流密度. 将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级. 使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。