移动最小二乘支持向量机

基于移动最小二乘逐点逼近思想,移动权被引入到最小二乘支持向量机的误差变量中,得到新算法的模型.此外,证明了用移动最小二乘支持向量机作函数估计与在特征空间中用移动最小二乘法得到的解是一致的,揭示了移动最小二乘支持向量机所选择的核函数相当于移动最小二乘法所选择基函数组.数值试验与实例进一步验证所提出方法的优越性.     

Laplacian双联最小二乘支持向量机用于早期故障诊断

提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,LapTLSSVM)半监督模式识别的新型早期故障诊断方法。用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fisher判别分析(Enhanced Semi-Supervised Local Fisher Discriminant Analysis,ESSLFDA)将高维时、频域特征集约简为具有更好类区分度的低维特征向量,并输入到Lap-TLSSVM中进行早期故障诊断。Lap-TLSSVM引入了包含大量无标签数据信息的流形规则实现半监督学习;其目标函数只含等式约束条件,且用共轭梯度法求解目标函数的线性方程组以加速训练过程。所提出的方法在训练样本非常稀少的情况下具有较高的诊断精度和计算效率。深沟球轴承早期故障诊断实验验证了该方法的有效性。     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上,探讨了一种利用LS-SVM进行传感器动态误差补偿的方法,并给出了相应的过程和算法。与标准SVM补偿方法比较,该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,在相同样本条件下,使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明,在噪声条件下,LS-SVM方法的补偿误差约为SVM的40％。因此,LS-SVM补偿方法学习速度快,抗噪声干扰能力强,更适合传感器动态补偿。     

基于最小二乘支持向量机时间序列瓦斯预测研究

基于统计学习预测瓦斯含量是目前瓦斯突出预测的发展方向之一。文中首先给出了最小l¨：乘支持向量机（LS—SVM）~,并在此基础上建立了预测模型,之后对时间序列上的矿井瓦斯涌出量进行相空间重构,其中嵌入维数的选取采用了微熵率法。最后通过鹤壁十矿一个突出工作面的瓦斯涌出数据对模型进行了验证。利用MATLAB7．1对其进行仿真研究。结果表明,通过训练建立的LS-SVM模型,较好地预测了这一工作面瓦斯涌出量。     

基于舍一交叉验证优化最小二乘支持向量机的故障诊断模型

提出一种基于舍一交叉验证优化最小二乘支持向量机(LS-SVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值欧式范数作为故障特征矢量输入到舍一交叉验证(leave-one-outcross-validation, LOO-CV)优化线性核LS-SVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值欧式范数矢量的不同表征各类故障的差异;舍一交叉验证优化惩罚因子可以使线性核LS-SVM克服对故障类型与模式编号映射关系先验知识的依赖,提高LS-SVM的故障预测精度和自适应诊断能力。一个深沟球轴承故障诊断实例说明该模型的有效性。     

基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。     

基于最小二乘支持向量机的扫描仪特征化

目的基于最小二乘支持向量机回归(LSSVR),研究扫描仪图像输入设备的特征化方法。方法以ColorChecker SG标准色卡为目标,通过最小二乘支持向量机建立RGB三通道值到CIE Lab色度值的非线性映射模型,采用基于交叉验证的网格搜索确定模型最优参数,优化LSSVR模型,实现彩色扫描仪的色度特征化。结果所建模型的训练集R-squared为0.996,验证集R-squared为0.998,训练集与验证集的CIEDE2000平均色差分别为1.1463,1.2754。结论 LSSVR模型能够较好地实现彩色扫描仪色度特征化,泛化能力较强,此模型可有效地提高彩色扫描仪特征化的精度且计算处理速度更快。     

气动肌肉的最小二乘支持向量机迟滞模型

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。     

基于最小二乘支持向量机的SOFC电特性建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂的弊端,提出了一种基于最小二乘支持向量机(LS-SVM)的建模方法,用具有径向基函数(RBF)核函数的LS-SVM建立了SOFC电堆的非线性模型.应用仿真对建模的有效性和精度进行了检验,并与径向基函数神经网络(RBFNN)模型的辨识效果进行了比较.仿真结果证明,与RBFNN模型相比,LS-SVM模型具有较高的预测精度,这表明用LS-SVM对SOFC电堆进行建模是可行的.该LS-SVM模型的建立,对SOFC系统控制策略的研究具有一定的实用价值.     

序贯最小二乘支持向量机的结构系统识别

提出一种用于结构系统识别的序贯最小二乘支持向量机（SLS-SVM）方法,通过对训练数据的序列进入和数据缩减,分别采用增量算法和减缩修剪算法有效地改进了LS-SVM.这种方法克服了标准LS-SVM算法的稀疏性缺失的缺点,并使LS-SVM的序贯训练成为可能.对非线性滞迟结构的在线参数识别显示了所提出方法的鲁棒性和高效率,同时也表明SLS-SVM算法的速度比批处理SVM算法要快.     

非线性系统载荷识别的最小二乘支持向量机法

为解除载荷识别问题对原系统先验知识的依赖,本文提出采用最小二乘支持向量机（Least squares support vector machine,LS-SVM）对非线性系统进行逆模型辨识,随后在该逆模型基础上利用工作状态的响应数据识别时域载荷。通过对某一非线性系统的稳态和非稳态激励的仿真计算,验证了该方法的有效性。仿真结果表明LS-SVM能够辨识出可靠的非线性系统的逆模型,进而反演出较精确的时域载荷。该方法不需要了解系统的数学模型及参数,只需少量训练样本即可,因此该方法能够应用于工程实践中。     

最小二乘支持向量机在瞬变热环境实验研究中的应用

瞬变热环境下,热反应与环境参数是紧密联系的。本文基于最小二乘支持向量机LS-SVM(LeastSquares Support Vector Machine)理论,结合瞬变热环境下受试者的投票实验数据,试图将这种关系量化,以达到对瞬变热环境下整体热感觉预测的目的。通过样本测试对预测模型的验证结果表明,向冷环境过渡和向热环境过渡中误差﹤0.3的样本比例都达到了90%以上,预测结果较理想,并且预测精度优于BP神经网络所建立的模型。另外,考虑到热感觉的模糊性以及个体化差异造成的影响,还给出了测试样本集在置信水平为95%时的置信区间,能对测试样本的变化区间作出较为准确的判断。     

基于支持向量机的故障诊断方法研究

针对故障诊断中存在的故障样本不完备问题,提出一种基于支持向量数据描述(SVDD)与支持向量机(SVM)相结合的故障诊断方法。该方法首先以正常状态下的数据样本与已知故障数据样本为整体建立数据描述模型、依据已知故障数据样本建立支持向量分类机模型,然后对输入的测试数据样本采用SVDD进行拒绝与接受处理,被接受的样本再利用支持向量分类机进行具体类别诊断;被拒绝的样本则为未知故障类型。数值试验表明,该方法可以有效处理故障样本不完备的故障诊断问题,能够对已知故障类型进行准确判断,并对未知故障类型给出提示,具有一定的实践意义。     

最小二乘支持向量机和小波电铲供电机组状态预测

针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法.     

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法.首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联--Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识.仿真与实际传感器系统辨识的实验结果均表明该方法可行.     

基于最小二乘支持向量机的结构地震响应时滞控制算法

针对时滞会导致控制系统效果降低、控制性能恶化甚至系统不稳定,将线性二次型控制（Linear Quadratic Regulator,LQR）与最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）进行集成,提出时滞LSSVM-LQR智能控制算法。该算法采集结构状态响应数据后,将用LQR算法计算出的结构最优控制力输入到LSSVM中,以训练并回归预测出时滞后时刻的最优控制力;由作动器对结构提供控制。基于MATLAB平台编写计算程序,并用一幢三层框架结构进行数值验证。结果表明,LSSVM-LQR算法能有效降低时滞对结构控制系统的不利影响。     

基于形态优化滤波和最小二乘支持向量机的轴承故障分析

为实现滚动轴承故障分析,提出基于形态优化滤波和最小二乘支持向量机的轴承故障分析方法。首先,通过判别指标最大化原则确定最佳形态滤波算子;然后,用最佳形态滤波算子对滚动轴承实例故障信号进行降噪分析;最后,利用粒子群对模型参数进行寻优,利用最小二乘支持向量机建立轴承故障分析模型,并对模型效果进行评价。实验结果表明:该方法从模型稳定性、预测准确度、模型复杂度3个方面考虑,故障分析结果较优,能够更好地提取轴承故障特征信息。     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。