基于支持向量机和云模型的网络健康状态评估

分析了支持向量机分类方法的几何意义,结合健康评估问题的定义提出了一种基于支持向量机的网络健康评估方法.将健康评估转化为分类问题,以点到健康分类边界的距离为评估参数从整体上评价网络健康状况,降低了主观因素对网络评估的影响.采用云模型实现了健康度与评语域之间的不确定性映射,更符合评估的实际情况.基于opnet的仿真实验结果表明了该方法的可行性.     

基于云模型的通信干扰系统效能评估

针对通信干扰系统效能评估的复杂性,运用云模型对其进行了研究,提出了基于云模型的通信干扰系统效能评估模型.首先建立了通信干扰系统效能评估指标体系,然后给出了运用云模型进行效能评估的详细算法,最后通过实例进行评估验证.结果表明此方法能较好地融合主客观信息,有效地集成了模糊性和随机性,可操作性强,为通信干扰系统效能评估提供了一种有效方法     

基于SVM的管网状态估计模型

为建立未知节点压力和可知监测信息之间的管网状态估计模型,应用支持向量机算法,建立基于支持向量机的管网状态估计模型和测压点压力宏观模型.经仿真分析,SVM模型90%以上预测数据的绝对误差控制在0.01MPa;与BP神经网络模型相比,同样的样本集均方误差情况下,其测试集均方误差一般比BP神经网络精度高.杭州市管网的实例计算中,85%以上测压点预测数据的相对误差都在5%以内,结果相当理想.     

基于支持向量机的新能源汽车状态评估

目前,燃料电池汽车正处于试验试制阶段,为了避免故障带来的安全隐患,有必要实时掌握车辆的运行状态.本文在研究燃料电池汽车运行特点的基础上,选取了合理的评估参数,并利用最小二乘支持向量机建立了其零部件评估模型.该模型需要的数据量少,泛化能力强,并通过多个现场实例分析证明了该模型的正确性和有效性.     

基于后验概率的个人信用评估SVM模型

针对标准SVM模型在个人信用评估中单纯将消费信贷申请者划分为违约类或未违约类的不足,提出了利用基于后验概率的SVM模型进行个人信用评估的方法。利用商业银行的消费信贷数据进行的实证研究表明,基于后验概率的SVM模型通过将标准SVM的决策值转化为后验概率输出,能够对样本属于未违约的概率进行估计,并能够据此划分信贷申请者的信用等级,对于商业银行根据不同的经营目标制定相应的信贷政策更具有实践意义。     

云计算环境下基于SVM的数据分类

为了提高数据的分类效率和准确度,利用云计算提供的弹性集群平台来解决计算力伸缩性瓶颈,并用MapReduce编程模型对SVM进行Map和Reduce并行化处理,并将基于优化理论的遗传算法（ GA）引入SVM分类算法中对分类器参数进行优化,以分类器的准确率作为GA算法适应度函数,找出全局最优的模型参数和核函数参数值。经开源云计算平台Hadoop实验验证,数据分类的准确度有了明显的提高,整个分类过程的加速度几近呈线性增加。     

基于样本自举的电力变压器状态评估

针对传统数据学习型方法需要大量故障历史实测数据的缺点,提出一种基于数据样本自举的电力变压器状态评估方法．通过对变压器的故障样本数据进行自举扩充,克服了工程中某类样本数据较少的问题,提高了学习型分类器的训练量,从而提高其预测分类的精度．并基于支持向量机分类方法进行变压器故障分类评估,显著提升了评估精度．     

通信电源系统概述

本文介绍了通信设备对电源的要求,开关电源成为通信电源的主导。     

基于云模型的网络系统状态评估与预测模型的研究

目前,国内外众多研究网络系统可生存性方面都主要集中在理论上的研究,且均使用经典的数学理论来研究复杂多变环境下的网络系统状态,也没有形成完整的理论体系,而实际上网络系统状态具有不确定性、随机性等特性。本文以可信网络的可生存性为研究背景,首先分析了网络可生存性等关键问题;考虑到网络系统状态具有不确定性、随机性等特征,本文引入云模型和有限状态机理论来对网络系统状态来进行描述和检测,提出了基于云模型的网络系统状态评估与预测模型,并从理论上进行了具体的分析和求证;最后通过仿真实验与分析,进一步说明了本文研究的模型的可行性与合理性。这为当前错综复杂的网络系统的可生存性研究提供了一种有价值的新思路。     

SVM在通信信号处理中的研究与应用

统计学习理论（statistical learning theory,SLT）提出结构风险最小化（structure risk minimization,SRM）准则,克服了人工神经网络（aretificial neural network,ANN）的模型过拟合和局部极小值问题.支持向量机（support vector machine,SVM）作为其具体实现方式,具有良好的泛化能力、高维处理能力和非线性处理能力.在简要介绍SVM原理的基础上,总结了其在通信信号处理领域的应用,包括数字调制识别、多用户检测、信道均衡、信号重构与相关参数估计、到达角（angle of arrival,AOA）与定位估计及其它6个方面,并指出了存在的问题和值得进一步研究的方向.     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。     

基于SVM多分类器的管道内检测信号处理研究

该文针对超声波检测是重要的管道腐蚀内检测方法之一,超声回波信号处理是内检测的关键技术。腐蚀缺陷回波的形态受到缺陷方向、位置、形状、面积、深度和管壁粗糙度、检测设备工作状态及各回波间的相互作用等诸多因素的影响,其时域特征很复杂,1个检测回波A扫描信号就有几千个数据。如果将有限的管壁厚度分为几个区间,每个区间对应一种腐蚀状态,管道腐蚀内检测问题就成了对超声回波信号进行状态分类的高维多分类识别问题。该文通过对回波信号的深入分析,利用径向基核函数支持向量机对超声回波信号进行处理,采用一对多和层(树)分类两种方法分别实现了管道多腐蚀等级自动分类识别。实验结果表明,该方法不但提高了分类的正确率,而且提高运算的速度,取得了较好的分类结果。     

综合迁移成本和通信成本的云计算节能策略

云计算数据中心将分散在不同物理服务器上的虚拟机通过迁移进行聚集,从而关停或休眠迁空的物理服务器以实现节能.针对当前虚拟机迁移方法仅考虑了迁移成本或者仅考虑了由应用相关性带来的虚拟机之间的通信成本,提出一种虚拟机迁移策略,以实现数据中心节能的目标,并且综合考虑了迁移成本和通信成本.仿真结果表明,该策略有效降低了数据中心的能耗和迁移成本及迁移后虚拟机间的通信成本.     

基于SVM分类的云集群失败作业主动预测方法

提出了一种使用支持向量机（SVM）模型预测作业终止状态的方法.以Google数据集为研究对象,首先分析作业终止状态的影响因素,提出使用作业的静态特征和动态特征作为终止状态分类的特征向量,选择SVM模型主动预测终止状态;然后从特征向量和分类模型2个层面对准确率、假负率、精确度指标进行验证.特征向量实验结果表明,基于静态和动态特征的SVM预测模型比单独使用静态特征和动态特征,分别提高0.94%、-0.01%、1.35%和9.08%、-1.36%、10.91%.分类模型的比较结果显示,SVM分类预测方法比传统的神经网络模型、朴素贝叶斯模型、逻辑回归模型的预测效果好.     

改进支持向量机的管网状态模型

为了解决供水系统优化调度的管网模拟问题，提出了一种基于改进支持向量机（SVM）的宏观关系模型.利用支持向量机推求管网节点水头和供水泵站供水量、供水压力的非线性关系.考虑了样本数量的不平衡性，引入权重因子.在结构风险最小化准则的目标函数中适当加大峰值和谷值样本误差的权重.还考虑了模型参数选择问题，建立了能应用于实际预测的参数选择方法.经杭州市实例计算表明：改进的支持向量机算法提高了测点在峰值压力和谷值压力时的拟合精度，模型95%以上测压点数据的相对误差都在±5%以内，4个测点的平均绝对百分比误差分别达到0.96%, 0.99%, 1.86%和2.06%.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.