基于智能单粒子算法与支持向量机的稳健优化设计

为了求解混合离散变量优化设计问题,通过引入粒子位置矢量的离散化处理方法,对智能单粒子优化算法(ISPO)进行改进,用MATLAB语言设计了求解混合离散变量优化设计问题的ISPO算法程序,结合支持向量回归机的应用,研究了平面尺寸链离散公差的模糊稳健优化设计问题,给出了稳健设计实例。设计实例表明了本文所提方法的有效性和实用性。     

基于蚂蚁算法和SVR的离散变量稳健设计优化

引入蚁群打散、离散搜索等策略对基本蚂蚁算法进行了改进,并采用MATLAB语言编制了离散变量优化设计的蚂蚁算法程序。采用支持向量回归机对模糊概率等非线性函数进行仿真计算．提高了模糊稳健优化设计的求解效率。给出了混合离散变量的稳健优化设计实例,表明了所提出方法的有效性和实用性。     

基于支持向量机的多目标模糊稳健优化设计

为了提高模糊稳健优化设计的计算效率,探讨了基于支持向量机回归机(SVR)的多目标模糊稳健设计方法,该方法以SVR作为非线性约束函数的替代模型,并采用SVR对模糊概率进行仿真计算,可显著降低模糊稳健优化设计的机时消耗;采用字典序优先级的目标规划法,建立了多目标稳健优化设计模型;把SVR与遗传算法相结合,构建了一种混合智能优化算法;通过多目标稳健设计实例,对所提出的方法进行了验证。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

支持向量机回归方法在切削参数预测中的应用

采用支持向量机回归算法对切削参数进行预测,并与试验数据进行比较,计算结果证明了该算法在切削参数预测中的有效性和实用性。     

一种基于支持向量回归的驾驶座椅舒适度评价方法

提出一种基于支持向量回归的预测驾驶座椅主观舒适度的方法.预测的输入变量为14个体压分布变量以及3个人体变量,输出变量为整体舒适度指数.通过12名被试对5辆不同汽车进行实际驾驶来获取座椅压力数据.在利用支持向量回归建立的舒适度预测方法进行预测时,均方误差为0.0018,相关系数为0.869,这一结果优于人工神经网络预测模型的预测结果.研究结果有助于汽车制造企业在提高汽车座椅舒适性的过程中降低成本并缩短制造时间.     

基于支持向量回归的熔丝制造3D打印能效优化模型

基于响应面法和支持向量回归模型对熔丝制造3D打印能效进行预测与优化。首先,利用田口方法设计六因素三水平正交试验,通过响应面法分析得出对加工能效影响较为显著的3个因素即层高、打印速度和热床温度;然后,通过支持向量回归方法建立加工能效预测模型,并与BP神经网络方法进行对比,结果表明支持向量回归方法建模预测性能更优;最后,建立以加工时间和能效为目标的优化模型,利用NSGA-Ⅱ、MOEA/D、SPEA2和MOPSO 4种算法分别对模型进行求解,分析比较4种算法的Pareto前沿,结果表明NSGA-Ⅱ算法在求解此问题时综合表现最佳,对比NGSA-Ⅱ算法求得的优化结果与试验结果可知,NSGA-Ⅱ算法具有有效性和合理性。     

基于支持向量机的模糊稳健优化设计方法

在模糊稳健设计中,需要采用随机模拟方法计算模糊概率和非线性约束函数,但计算效率很低.为此,提出了一种基于支持向量机的模糊稳健设计方法.采用支持向量回归机对模糊概率进行仿真计算,采用支持向量回归机或分类机作为非线性约束函数的替代模型,显著降低了模糊稳健优化设计的机时消耗.给出了新方法的具体算法步骤,并通过模糊稳健优化设计...     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于支持向量机回归的结构可靠性分析

针对实际结构中隐式极限状态函数的可靠性分析,提出了一种基于支持向量机回归的结构可靠性分析方法.将支持向量机回归作为隐式极限状态函数的重构工具,用训练后的支持向量机替代隐式极限状态函数,结合一次二阶矩法和蒙特卡洛法,给出了基于支持向量机回归的结构可靠性分析计算流程.最后用2个算例验证了该方法的可行性和计算精度.结果表明:...     

SVM回归的参数选择探讨

提出了一种SVM回归中参数选择的方法(C和ε的选择),这种方法是从训练样本中直接分析得到的,而不是通过反复试凑来得到。其中ε的选择用到了一种新的方法——非参数化噪声估计(NNE),这是一种比较新的噪声估计方法。该参数选择方法通过仿真实验表明具有良好的泛化性能和抗噪声能力,为SVM的实际应用提供了一种新的思路。     

基于SVR的非线性系统故障诊断研究

针对非线性系统辨识建模和故障诊断难的问题,利用回归型支持向量机(support vector regression,SVR)分别设计了非线性系统的辨识建模系统和故障诊断系统,最后以某一非线性系统为例进行了仿真试验研究,建立了该非线性系统的SVR辨识模型,在此基础上进行了三种典型故障的诊断试验,仿真试验结果验证了该方法的有效性和先进性。     

基于遗传算法的支持向量机分类器模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机分类器模型的参数自适应优化算法。最后,用算例表明了本文算法的正确有效性。     

基于遗传算法的不均衡样本在支持向量机中的研究

不均衡样本在实际应用中广泛存在,已对学习领域造成挑战,如何处理不均衡样本情况也已经成为目前的热点。针对不均衡样本的问题提出将遗传算法应用于支持向量机中。利用遗传算法中的交叉、变异来进行样本的遗传,从而产生新的群体,即样本。     

基于模糊支持向量机的产品设计时间估计方法

针对产品设计时间估计中存在的小样本、不确定性数据等问题，将模糊回归理论与支持向量机方法相结合，提出一种Fv-SVM模型，给出相应的设计时间智能估计方法和参数优选算法。进行了注塑模具设计的实例分析，结果表明基于Fv-SVM的时间估计方法是有效和可行的。     

基于相容决策支持问题法的稳健优化设计方法

稳健优化设计本质上是多目标的优化问题,相容决策支持问题法是一种有效的多目标优化设计方法,其实质是一种包含数学规划和目标规划的混合方法。将相容决策支持问题法应用到稳健优化设计中,建立了稳健优化设计的相容决策支持问题法模型。通过对起重机变幅机构的补偿滑轮组系统的稳健优化设计,给出了具体的分析求解过程。实例表明,相容决策支持问题法对解决工程多目标优化设计的问题是有效的。     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

基于随机模型的动车组制动模块稳健优化设计

针对目前产品优化设计中未考虑设计变量随机性和灵敏度指数对产品质量特性的影响及优化求解效率低等问题,提出一种综合考虑灵敏度指数与质量损失函数的稳健优化设计方法。通过假设设计变量的分布类型,得到设计变量的概率分布特征,将设计变量对产品质量特性的灵敏度指数与质量损失函数加权整合,并以此作为优化目标,以设计变量的容差作为约束条件,构建随机稳健优化模型。通过扩大种群数目、改进控制参数及增加惩罚因子的方法对遗传算法进行改进,结合改进的遗传算法对优化模型进行求解,得到优化模型的全局稳健最优解。以某动车组制动模块为例,采用给出的方法对其进行稳健优化设计,验证该方法的有效性与合理性。优化结果表明,该方法能够实现动车组制动模块的稳健优化设计,提高了制动模块的抗干扰能力。     

支持矢量回归机的参数优化及在智能减压阀压力预测中的应用

智能减压阀可通过控制膜片缸压力实现出口压力的智能调节。膜片缸压力是智能减压阀控制器的控制目标,因此需要依据进口压力和出口目标压力对膜片缸压力进行预测。基于此,提出了基于人工化学反应优化算法的支持向量回归机（ACROA-SVR）参数优化方法,并将ACROA-SVR应用于智能减压阀膜片缸压力预测,采用实验数据将ACROA-SVR与基于遗传算法的SVR和传统SVR进行了对比,分析结果表明了ACROA-SVR的有效性和优越性。     

基于支持向量机和粒子群算法的稳健优化

针对实际工程中不确定性因素与产品质量特性之间不具有显式函数关系的稳健优化问题时,代理模型的精度成为关键。本文提出一种基于支持向量机代理模型和粒子群算法的稳健优化方法,采用拉丁超立方试验设计采样布点,优化问题的目标性能函数、约束函数的均值和标准差由具有自动参数优化的支持向量机模型替代,采用粒子群优化算法对稳健优化模型进行求解。以典型的两杆结构优化为例,结果表明支持向量机代理模型的综合性能比常用的响应面、BP神经网络和Kriging模型更优越,稳健优化结果比较理想,为复杂产品的不确定性设计优化提供了一种新的思路。