SVM和改进的PSO在压路机驾驶室结构噪声优化中的应用

针对压路机驾驶室结构噪声,将拉丁超立方试验设计、支持向量机近似模型、改进的粒子群优化算法相结合,通过修改驾驶室主要板件的板厚参数降低压路机结构噪声。建立一套基于支持向量机和粒子群算法控制车内结构噪声的设计流程。针对粒子群可能出现局部最优解的问题,对粒子群进行了改进。并利用改进的粒子群优化支持向量机参数,构建高拟合精度的支持向量机模型代替有限元模型。并用改进的粒子群算法对该模型进行板厚寻优,找到一组最佳的板厚参数使得参考点(驾驶员右耳处)声压级最小,减少计算工作量,提高优化效率。     

蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究

热轧带钢表面的温度高、生产速度快,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,难以通过人工进行表面质量在线检测。针对当前国内某钢厂热轧钢板表面缺陷检测仍由人工离线完成、缺陷识别准确率低的生产问题,充分利用大量图像信息,提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法。首先,融合局部二值模式和局部相位量化两种特征提取方式的优点,进行钢板缺陷图片的特征提取,采用蚁群和粒子群优化出支持向量机的惩罚参数和核函数参数进行钢板表面的缺陷分类。最后采用Matlab仿真平台,将蚁群和粒子群混合优化的支持向量机分类模型与传统的支持向量机分类模型进行仿真对比分析。试验结果表明,采用蚁群和粒子群混合优化的支持向量机分类模型的分类精度高于传统的支持向量机模型。     

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机（least squares support vector machine,LSSVM）参数难以确定的问题,提出一种改进人工蜂群（improved artificial bee colony,IABC）算法优化的最小二乘支持向量机。首先,在标准人工蜂群（artificial bee colony, ABC）算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ²进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法——粒子群优化（particle swarm optimization,PSO）算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。     

基于相关向量机的电站锅炉NOx燃烧优化

为了降低电站锅炉NOx排放量,采用一种新的机器学习方法--相关向量机对某330 MW煤粉汽包锅炉的一、二次风速以及含氧量等26个输入参数和NOx输出结果进行建模,并用万有引力算法对模型的参数进行优化,获得最优模型。与粒子群算法、遗传算法优化相关向量机以及万有引力算法优化支持向量机等进行了比较,选择锅炉输入参数中的可调变量为优化变量,以NOx低排放量为目标进行优化,获得低NOx排放的输入参数。结果证明:万有引力优化相关向量机算法建立的模型精确度比其它几种算法高,对模型进行低NOx优化后,NOx输出值由最初的的906.65 mg/m³变为550.600 mg/m³,下降幅度约为38.9%,实现了NOx排放量大幅度降低。     

基于优化匹配追踪稀疏分解的微弱超声回波提取

为提高低信噪比环境中微弱超声回波信号的提取性能,提出优化的匹配追踪(Matching Pursuit,MP)稀疏分解的超声回波提取算法。该算法将具有连续空间搜索能力的粒子群优化(Particle Swarm Optimization,PSO)算法引入到MP稀疏分解中,以缓解原子集的遍历有限性需求与超完备性之间的矛盾,通过改进粒子群算法的参数自适应设置及MP算法的目标函数和重构函数,实现自适应的PSO-MP稀疏分解算法,并建立了连续伽柏(Gabor)原子集,提高了最优原子与不同参数超声回波信号的匹配程度,最后由最优原子集通过重构函数对回波信号进行重构,实现对回波的降噪和准确提取。实验结果表明,该算法显著降低了计算量,效果优于已有小波阈值等算法且具有较好鲁棒性。     

基于混合蚁群和粒子群优化LSSVM的脉动风速预测

为提高最小二乘支持向量机(LSSVM)对脉动风速预测的精确性,提出了基于混合蚁群和粒子群优化LSSVM的预测方法。对LSSVM参数进行搜索寻优,主要分为两阶段:第一阶段,利用蚁群算法在参数空间进行全局搜索,实现对LSSVM参数的初步寻优;第二阶段,利用蚁群算法获得的寻优结果初始化粒子群粒子位置,实行进一步的粒子群搜索寻优,获得更为精确的LSSVM。运用基于混合蚁群和粒子群优化的LSSVM对脉动风速时程进行预测,并与分别基于蚁群和粒子群优化的LSSSVM预测结果进行对比。数值分析表明,基于混合蚁群和粒子群优化的LSSVM预测方法精度高、鲁棒性强,具有工程应用前景。     

基于计算机视觉与SVM的水质异常监测方法

针对水质异常监测问题,本文提出了一种基于计算机视觉技术和支持向量机相结合的生物式水质异常监测方法。首先通过计算机视觉获取可以反映水质状况的鱼类行为运动特征参数,对其进行预处理;然后建立样本集并获得基于SVM的水质异常监测模型;最后利用模型对未知水质下的鱼类行为特征参数分析评价,间接监测水质异常状况。鉴于支持向量机核函数类型和参数优化对模型优劣有重大影响,本文对不同类型的核函数进行实验对比,其次分别采用粒子群优化算法(PSO)、遗传算法(GA)以及网格搜索法(Grid Search)对参数进行优化选择。实验结果表明该方法可以快速有效的进行水质异常监测。     

基于小波和乘法混合核函数LSSVM的顺风向非高斯空间风压预测

提出了基于Marr小波核函数最小二乘支持向量机(Marr-LSSVM)的顺风向非高斯空间风压预测算法。通过传统高斯核函数(RBF)和多项式核函数(Poly)的乘法运算,提出了Poly*RBF-LSSVM(MK-LSSVM)的空间风压预测算法。运用粒子群优化(PSO)算法,对Marr-LSSVM、传统单核CSK-LSSVM和MK-LSSVM的惩罚参数、核函数参数、权重、尺度因子进行优化,建立基于智能优化的非高斯空间风压预测算法;以30 m和50 m处模拟顺风向风压时程作为输入样本,使用提出的预测算法对40 m处风压时程进行了预测。数值分析表明,Marr-LSSVM、MK-LSSVM比CSK-LSSVM具有明显高的非高斯风压预测性能。     

基于粒子群算法优化支持向量机的铝热连轧机轧制力预报

为了提高热轧带材的轧制力预报精度,提出了粒子群算法和支持向量机结合的方法来预报轧制力。根据轧制原理用支持向量机建立轧制力预报的模型,通过粒子群算法优化支持向量机参数来提高预报精度。为了进一步提高轧制力预报精度,还提出了支持向量机网络与数学模型相结合的方法,对某“1+4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真,仿真结果可以看出支持向量机网络与数学模型结合的方法预报轧制力,提高了轧制力预报速度并使其轧制力预报精度控制在7%以内。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于粒子群-向量机的汽车加速噪声评价

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。     

基于FOA-SVM的汽轮机振动故障诊断

为解决支持向量机算法(Support Vector Machine,SVM)的核函数参数及惩罚因子参数选取的盲目性,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对SVM中参数进行优化。提出基于FOA的SVM故障诊断算法,并对汽轮机故障实验数据进行模式识别。该算法能对SVM相关参数自动寻优,且能达到较理想的全局最优解。通过与常用的粒子群算法(Particle Swarm Optimization,PSO)与遗传算法(Genetic Algorithm,GA)优化后支持向量机进行对比。结果表明,FOA-SVM算法稳定、识别速度快、识别率高。     

基于PSO-LSSVM球磨机负荷参数预测及监测系统开发

针对球磨机筒体振动信号中存在非线性、非平稳性及环境噪声强等问题,提出一种基于粒子群优化最小二乘支持向量机（PSO-LSSVM）球磨机负荷参数（填充率和料球比）预测方法,并开发基于LabVIEW的球磨机负荷参数监测系统。通过粒子群(PSO)优化最小二乘支持向量机（LSSVM）算法中的正则化参数y和核函数宽度,简化求解过程,提高模型训练速度。以球磨机筒体振动信号的Hilbert-边际谱样本熵为输入,以球磨机筒体内部的填充率和料球比为输出,建立基于PSO-LSSVM的磨机负荷参数预测模型。与LSSVM预测结果比较,该模型的预测精度较高,填充率平均绝对误差降低0.05、平均绝对百分误差降低8.09%;料球比平均绝对误差降低0.04、平均绝对百分误差降低2.76%。在线测试结果表明该在线监测系统准确率为64.37%,且系统运行一次的平均时间为45 s,可实现球磨机负荷参数的实时预测。     

基于优化组合核和Morlet小波核的LSSVM脉动风速预测方法

核函数是支持向量机的重要组成部分,直接影响预测模型的结果。根据Mercer定理,推导出了Morlet小波核函数,使其具有局部化、多层次、多分辨的优点。选择具有代表性的径向基(RBF)核函数和多项式(Poly)核函数构建出局部性和全局性相结合的线性组合核函数,使得预测模型保留RBF核函数所赋予的优越学习能力以及Poly核函数所拥有的强泛化能力;进一步,使用粒子群优化(PSO)算法,对惩罚参数、核参数、权重、尺度因子进行寻优,分别建立了基于Morlet小波核和组合核的PSO-LSSVM模型;使用建立的预测模型,对脉动风速进行了预测。通过比较预测性能评价指标,发现基于Morlet小波核和组合核PSO-LSSVM的预测精度优于常用的单核PSO-LSSVM模型。     

基于IPSO-SVR的水泥窑尾分解率软测量研究

为实现水泥窑尾分解率的实时在线检测,利用软测量技术在解决工业在线测量问题中的优势,提出一种改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),即通过粒子群算法对支持向量机模型核心参数进行优化选择,并在粒子群算法中引入自适应惯性权重的思想,克服粒子群算法容易出现早熟收敛、陷入局部极值的缺点,最终建立起基于IPSO-SVR的窑尾分解率软测量模型。将其与基于交叉验证法(CV)和未改进粒子群算法优化SVR参数的软测量模型进行仿真对比实验,实验表明:该IPSO-SVR模型具有更佳的预测能力,窑尾分解率预测相关系数达0.857 5,预测最大相对误差不超过1.14%,平均相对误差为0.75%,可进一步运用到诸如水泥生产等大型工业的产品分解率预测中。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。     

基于频响函数截断奇异值响应面的有限元模型修正

考虑由于模型参数误差造成的有限元模型偏差的问题,提出一种基于频响函数截断奇异值响应面的模型修正方法。利用傅里叶反变换将结构频响函数变换为时域内的脉冲响应函数,通过延迟坐标法重构脉冲响应函数的相空间矩阵,进而对相空间矩阵进行截断奇异值分解,提取有限个较大的奇异值作为频响函数的特征量。以待修正模型参数为样本集输入,截断的奇异值为样本集输出,建立支持向量机响应面模型并进行训练,以逼近模型待修正参数与频响函数的特征量之间的非线性映射关系。以目标频响函数的特征量与支持向量机响应面模型输出的特征量之间的差值最小化为目标,利用遗传算法通过优化求解参数修正量。仿真计算表明:支持向量机的保留奇异值响应面能准确预报训练集以外样本的保留奇异值,具有较强的泛化能力;结合遗传优化算法能获得准确的参数修正量,算法对噪声有较强的鲁棒性。     

层次型支持向量机人脸检测器

大量的数值实验表明，在非线性支持向量机中，核函数的选取对支持向量机性能的影响很大。核函数的选择一直是一个难题。本文利用遗传算法的全局优化能力比较并分析了多项式核函数和高斯核函数的检测正确率和支持向量个数两项指标，提出了一种层次型支持向量机人脸检测器。实验结果证明，本文的方法确实取得了较好的效果。     

基于FOA-SVM的超声信号端点检测

在超声缺陷识别系统中,端点检测是确保缺陷准确识别的重要环节。为提高在实际探伤过程中端点检测的准确率,提出一种以果蝇算法优化支持向量机的端点检测方法。针对超声检测信号的特点,采用小波包变换提取反映该信号性质的特征向量。鉴于传统方法检出率不高及支持向量机(SVM)参数难确定的问题,利用果蝇算法(FOA)优化SVM的惩罚子和核参数,提高支持向量机建模准确度。试验结果表明:FOA-SVM模型的平均检出率达到97.5%,端点检测效果明显优于传统的双门限法、普通SVM模型和GA-SVM模型。