小型动调陀螺随机误差建模与滤波方法研究

为了抑制动力调谐陀螺的随机漂移，采取时间序列分析的方法，分析了φ35小型动力调谐陀螺仪输出数据的平稳性，建立了其随机漂移的自回归求和滑动平均（autoregressive integrated moving average，ARIMA）模型。以所建模型作为状态方程、实际测量数据作为量测值，设计了卡尔曼滤波器，并应用卡尔曼滤波器对实际测量的动力调谐陀螺输出数据进行了滤波，处理后陀螺随机漂移仅为原数据的46．7％。结果表明，滤波方法能有效地抑制陀螺的随机漂移，同时也验证了所建模型的正确性和有效性。此方法也可应用于其他类型陀螺的输出数据处理。     

基于SVDD的分类新方法

为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述（SVDD）的新算法。把两类的支持向量机（SVM）问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。     

基于灰色支持向量机的裂纹扩展信息预测研究

针对裂纹扩展是一个典型的非线性、随机过程,且裂纹数据样本少、获取困难等问题,提出一种基于灰色支持向量机的裂纹扩展预测模型。首先通过灰色模型对原始序列进行数据生成,以增强数据的规律性;然后选择合适的核函数,并用试验数据修正核函数;最后用支持向量机进行预测,并还原数据,得到预测结果。将其应用于某航天发射塔架裂纹扩展预测中,并与灰色模型、单一支持向量机、最小二乘支持向量机进行预测性能对比,结果表明,灰色支持向量机预测性能最优。同时也为裂纹扩展预测及提高预测性能提供一种新途径。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于改进模糊推理的光纤陀螺温度漂移建模

光纤陀螺温度漂移建模是实现其温度补偿,提高测量精度的有效手段。通过实测数据分析,验证光纤陀螺的输出受温度和载体角速度的共同作用呈现复杂非线性。为准确描述这种复杂非线性关系以实现温度漂移高精度补偿,基于神经网络设计一种新型光纤陀螺温度漂移模糊系统结构,提出一种基于改进模糊推理的光纤陀螺温度漂移模型辨识新方法。由确定的模型结构设计模糊系统的模糊规则,并基于实测数据构建训练样本以被用于自适应调整变量隶属度函数的参数,从而建立基于误差方均根最小准则的光纤陀螺温度漂移补偿模型。试验结果表明,应用此方法得到的光纤陀螺温度漂移模型具有很高的精度、良好的适用性和预测性能。     

[成形质量的闭环与自适应控制技术]热轧带钢出口凸度数据驱动建模及智能化预测分析

提出一种基于热轧现场生产数据和智能算法的新型带钢出口凸度预测模型，该模型采用差分进化算法对支持向量机的惩罚因子和核函数宽度进行优化。确定了支持向量回归模型的最佳参数组合，采用大量实际生产数据对模型进行训练并将其用于带钢出口凸度预测。该模型结构简单、容易实现，其整体性能用平均绝对误差（MAE）、平均绝对百分误差（MAPE）、均方根误差（RMSE）和决定系数R2来评价。预测值和实际值的比较验证了所提出模型的可行性。     

基于主动学习GASVM分类器的连铸漏钢预报

针对在小样本数据情况下训练的连铸漏钢预报模型难以获得较高预报准确率的问题,提出了一种基于主动学习遗传算法-支持向量机（GASVM）分类器的漏钢预报算法。该算法首先将采集到的连铸结晶器坯壳温度数据进行预处理,并将有效数据进行标注;然后利用标注后的小样本数据和遗传算法来优化SVM的经验参数,训练并得到支持向量机模型;最后利用某钢厂采集到的连铸结晶器坯壳温度数据进行测试。测试结果表明,在利用小样本数据进行训练的情况下,所提出的基于主动学习GASVM分类器的连铸漏钢预报算法具有较高的漏钢预报率（预报精度）和100%的漏钢报出率,验证了所提漏钢预报算法的有效性。     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

铵离子传感器的建模与在线校正研究

离子传感器是环境水质监测的关键技术之一。由于传感器制备技术的局限性以及应用环境的复杂性,严重影响了传感器的测量精度以及可靠性,难以用于在线检测。为了给水质在线检测提供有效的分析手段,以铵离子传感器为背景,在深入研究传感器响应特性后,根据实验数据,使用支持向量机回归建立传感器响应的离线模型;进一步使用在线支持向量机回归建立传感器的漂移校正模型。实验结果表明:建立的模型能较好地拟合响应过程曲线,有效地补偿了传感器的漂移。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

EMD- and SVM-based temperature drift modeling and compensation for a dynamically tuned gyroscope (DTG)

In this paper, support vector machine (SVM) is described and applied in the temperature drift modeling and compensation to reduce the influence of temperature variation on the output of dynamically tuned gyroscope (DTG) and to enhance its precision. To improve the modeling capability, empirical mode decomposition (EMD) is introduced into the SVM model to eliminate any impactive noises. The real temperature drift data set from the long-term measurement system of a certain DTG is employed to validate the effectiveness of the proposed combination model. The modeling and compensation results indicate that the proposed EMD-SVM model outperforms the neural network (NN) and single SVM models, and is feasible and effective in temperature drift modeling and compensation of the DTG.     

基于二代小波的光纤陀螺实时降噪方法研究

在以光纤陀螺为主要惯性敏感元件的捷联惯导系统中,陀螺输出信号中的非确定性随机漂移的实时滤除,对提高实际系统的初始对准精度及导航精度均具有重要的意义。考虑到传统小波阈值法的去噪性能及实时性问题,提出了一种基于第二代小波变换,并结合硬阈值、强制降噪和带滑动数据窗的光纤陀螺信号实时降噪改进方案。利用MATLAB进行了正弦信号和光纤陀螺输出信号的模拟实时降噪实验,并与一代小波实时降噪方案进行了比较,验证了改进方案在理论计算速度大幅提升的前提下,降噪性能得到提高,进而减小了系统输出的姿态误差。     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.     

A novel fault diagnosis model for gearbox based on wavelet support vector machine with immune genetic algorithm

A novel intelligent diagnosis model based on wavelet support vector machine (WSVM) and immune genetic algorithm (IGA) for gearbox fault diagnosis is proposed. Wavelet support vector machine is a powerful novel tool for solving the diagnosis problem with small sampling, nonlinearity and high dimension. Immune genetic algorithm is developed in this study to determine the optimal parameters for WSVM with the highest accuracy and generalization ability. Moreover, the feature vectors for fault diagnosis are obtained from vibration signal that preprocessed by empirical mode decomposition (EMD). The experimental results indicate that this proposed approach is an effective method for gearbox fault diagnosis, which has more strong generalization ability and can achieve higher diagnostic accuracy than that of the artificial neural network and the SVM which has randomly extracted parameters.     

MEMS陀螺与编码器在机器人自主定位中的应用

为提高微机械陀螺仪输出精度及移动机器人定位精度,研究了基于微机械陀螺仪与光电编码器的移动机器人自主定位方法。实时小波滤波法算法去除微机械陀螺仪输出数据噪声;通过微陀螺精度校正平台,用加权最小二乘支持向量回归机算法对微机械的先验数据作回归运算,构造先验回归决策函数,运用回归决策函数补偿微机械陀螺仪输出误差,提高微机械陀螺仪的角速率输出准确度;实验证实了方法能较好提高了MEMS陀螺仪的准确度,可以应用于移动机器人的自主定位之中。     

基于EMMAP的MEMS陀螺噪声估计与滤波方法研究

针对MEMS陀螺仪测量精度低、随机噪声具有不确定性和非线性的问题,提出一种基于最大期望算法(Expectation maximum,EM)和极大后验估计(Maximum a posterion,MAP)的无迹卡尔曼滤波(Unscented Kalman filter,UKF)——EMMAP-UKF的陀螺噪声估计与滤波方法。根据极大后验估计原理,构造出一种次优无偏MAP噪声统计估计模型,并在此基础上引入最大期望算法将噪声估计问题转换为数学期望极大化问题,实现对观测噪声方差的动态调整,最终实现陀螺仪随机漂移误差的估计与滤波处理。最后通过Allan方差对陀螺噪声滤波方法的性能进行评估,通过半实物仿真验证了本方法的有效性。     

基于提升小波和递推LSSVM的实时故障诊断方法

提出了一种基于提升小波(LW)与递推最小二乘支持向量机(RISSVM)相集合的实时故障诊断方法(LW-RLSSVM).该方法首先通过提升小波变换对数据实时去噪,再通过实时算法训练最小二乘支持向量机分类器.由于采用了递推算法,节省了存储空间和运算时间,同时增加了诊断模型的适应性.为验证所提方法的有效性,将LW-RLSSVM应用于TE过程和青霉素发酵过程.实验结果表明,LW-RLSSVM集合方法能有效实现实时故障诊断,在诊断速度和适应性方面,优于基于第一代小波与LSSVM相集合(W-LSSVM)的故障诊断方法;在诊断精度等方面,该方法优于LSSVM、RLSSVM等方法.     

基于随机森林的建筑结构损伤识别方法

针对利用分类器对建筑结构进行损伤识别的问题,引入一种新的组合分类器算法——随机森林,提出基于小波包分解和随机森林的结构损伤识别方法。首先,采用小波包对结构在不同损伤程度和位置上的振动加速度信号进行分解,得到各个频带上的总能量;然后,利用各频带上能量值存在着差异性作为输入到分类器的特征向量;最后,训练随机森林模型并对建筑结构的损伤位置和损伤程度进行识别。应用该方法对一座8层剪切型钢框架结构进行损伤判别,并与BP神经网络和支持向量机方法进行对比,结果表明该方法具有较好的识别精度与稳定性。     

基于模糊支持向量机预测胎重的方法研究与比较

胎重的准确预测在胎儿监护中具有重要作用,为提高胎重预测的准确性,提出一种基于模糊支持向量机的预测方法。通过在支持向量机中引入模糊逻辑,抑制由测量误差造成的异常数据对预测模型训练的影响,提高了胎重预测对参数测量误差的鲁棒性。对600例数据构成的训练集和150例数据构成的测试集进行应用,比较了模糊支持向量机和以前的回归方法、误差反向传递神经网络、支持向量机在胎重预测中的性能。结果表明:与其它方法相比,模糊支持向量机能获得更准确的胎重估计。