基于最小二乘支持向量机的压力传感器非线性校正

依据压力传感器样本,提出了一种采用最小二乘支持向量机(LS-SVM)辨识传感器逆模特征的校正压力传感器非线性误差的方法,该方法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,不需逆模型函数形式的先验知识,能够保证得到的极值解就是局最优解,具有较好的泛化能力。实验结果表明,采用该方法校正后的传感器的检测精度可达到1%,效果令人满意。     

基于支持向量机校正虚拟仪器非线性误差研究

支持向量机是近几年发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文讨论了基于支持向量机实现虚拟仪器系统非线性校正的原理和方法,并将该方法应用于一浓度测量虚拟仪器,取得了满意的效果。实践结果表明,该方法有很好的应用前景和研究价值。     

虚拟仪器非线性校正的支持向量机方法

随着虚拟仪器的广泛应用,其误差控制问题越来越突出.传统的虚拟仪器非线性校正主要采用人工神经网络的方法,由于该方法本身固有的缺陷,其应用受到一定限制.支持向量机是近年来发展起来的一种新的机器学习算法,在许多领域中得到应用.本文分析了虚拟仪器的非线性误差的主要来源,提出了一种对虚拟仪器进行非线性校正的支持向量机方法.该方法能够克服神经网络处理小样本问题的不足,具有较高的泛化能力.实验表明,用支持向量机算法解决虚拟仪器非线性问题是有效的.     

基于支持向量机热电偶的非线性误差校正

提出了一种用支持向量机热电偶校正非线性误差的原理和方法。该算法只依据样本就可以正确辩识热电偶逆模型特征,而不需关于逆模型函数形式的任何先验知识,并将原问题转化为一个凸二次优化问题,能够保证找到的极值解就是全局最优解,具有较好的泛化能力。最后通过对K型分度号镍铬．镍硅的热电偶进行非线性校正的应用表明,该算法可取得较好的效果。     

基于LS-SVM逆系统方法的传感器非线性校正方法研究

针对传感器存在的非线性问题,提出了一种基于逆系统方法的非线性校正方法。通过最小二乘支持向量机方法构造传感器的右逆系统,并与原系统串联,完成传感器的非线性校正。该方法不依赖于传感器的数学模型,鲁棒性较强。仿真结果证明该方法的有效性和优越性。     

基于遗传优化支持向量机的开关磁阻电机非线性建模方法

将有限元法(FEM)与非线性映射技术相结合,得到了开关磁阻电机(SRM)动态仿真模型.利用FEM获取了SRM的磁化特性和转矩特性数据,并依此对支持向量机进行了训练,进而在MATLAB中建立了仿真模型.采用改进型遗传算法对支持向量机的超参数进行全局寻优,提高了其逼近和泛化能力.基于对磁化特性数据的分析,引入了分段训练的思想,进一步提高了模型在小电流下的仿真精度.将所建模型的动态仿真结果与FEM分析结果相比较,验证了建模方法的有效性.     

基于最小二乘支持向量机的传感器动态系统辨识方法

在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)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法.与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%.因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模.     

基于GARCH误差校正的遗传支持向量机日前电价预测

针对时间序列预测和智能算法预测各自的侧重点不同,结合两者优点对日前市场电价进行预测。首先建立支持向量机（SVM）模型对单一时点电价进行预测,将遗传算法（GA）嵌入SVM模型中来保证SVM参数选择最优。针对SVM-GA模型训练误差和测试误差存在一定的相关性和条件异方差性,采用广义自回归条件异方差（GARCH）模型对误差序列进行拟合。然后利用拟合好的GARCH模型对SVM-GA模型预测误差进行预测,最后根据GARCH预测结果对SVM-GA模型预测进行校正。用该方法对美国PJM电力市场2005年8月份日前电价进行连续预测,总体平均误差仅8.19%,比普通方法误差减少了将近4个百分点。     

基于遗传支持向量机算法的燃烧状态诊断

针对支持向量机中的参数通常用交叉验证来确定的状况,提出了遗传支持向量机算法,即使用遗传算法来优化支持向量机中的参数并应用在基于火焰图像特征参数的锅炉燃烧状态诊断中.从火焰图像中提取的5个特征量作为支持向量机的输入,3种燃烧状态作为输出,选用径向基核函数,使用遗传算法得到优化参数.实验结果表明,该方法能在较大范围内准确地...     

遗传优化支持向量机在软件缺陷预测中的应用

软件开发过程中对软件模块的可靠性进行预测可以有效地提高软件的质量。支持向量机可应用于建立软件缺陷预测模型。为提高预测模型的分类准确度,利用遗传优化算法选择出最优属性子集,从而降低数据样本中冗余属性带来的不利影响,利用支持向量机建立了一种高效的软件缺陷预测模型。实验结果表明,基于遗传算法和支持向量机建立的预测模型能够为软件缺陷预测提供较高的预测精度和效率,有着良好的应用前景。     

基于遗传算法的LS-SVM在谐波源建模中的应用

对现有的电力系统谐波源建模方法进行分析比较,提出基于最小二乘支持向量机的建模方法,并引用遗传算法对参数寻优以提高模型精度。为了验证方法的有效性,在不考虑和考虑供电端电压谐波含量两种情况下采用Matlab对晶闸管控制电抗器进行仿真提取训练数据并建模。结果表明采用基于遗传算法的最小二乘支持向量机建立的谐波源模型精度高,是谐波源建模的有效方法。该方法把建模对象当作黑箱,没有考虑内部机理,也可用于其他非线性负荷建模之中。     

一种新的基于混合粒子的粒化支持向量机算法

粒计算是信息处理邻域中新的概念和计算方法,但是,传统粒子支持向量机算法存在着映射前后的数据分布不一致的问题,同时,由于使用粒子中心替代粒子从而导致精度下降。为此,提出基于映射后的混合粒子支持向量机算法,首先,利用mercer核函数将数据映射到高维空间,粒化计算后,找出含有更多分类信息的混合粒子,提取后作为输入集合对超平面进行训练,利用几何分析调整最优超平面,并采用基于QPSO算法对关键参数进行最优求解,从而提高算法的精度。实验表明该算法比传统粒子支持向量机算法正确率高10%,说明改进的粒化支持向量机算法提升效果明显。     

基于支持向量机的锅炉煤质预测模型

通过基于统计学习理论的支持向量机建模和机理性的分析及推导,给出了2种不同的电厂锅炉煤质预测模型,并结合现场试验数据,给出2种方法不同的预测结果及评价.验证了支持向量机建模对于火力发电厂煤质监测具有较高的应用价值.     

一种基于多类支持向量机的故障诊断算法

主要研究了多类支持向量机算法,及其在多类故障诊断问题中的运用.考虑到传统"一对一"算法和"一对多"算法的局限,提出了基于遗传算法的决策树支持向量机,利用遗传算法的全局随机搜索性能来构造决策树.根据样本数据的分布,遗传算法的适应度函数定义为两个子类集聚类中心之间的距离,使得在决策树的每一个节点最可分类别尽可能分开.通过对三个数据集进行仿真分析,表明该算法的性能优于两个传统算法,具有更高的推广能力,验证了算法的有效性.     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

无线传感网络多分类支持向量机设备状态识别

无线传感网络由大量传感节点组成,以自组织方式构成网络,通过协作测量获取监测对象的详细信息.基于无线传感网络的生产设备状态识别方法具有可靠性高和柔性好的特点.针对工业生产特点,建立分簇结构的能量异质性无线传感网络模型,并应用于旋转机械设备故障状态的监测识别.采用小波包分解提取故障特征,通过多分类支持向量机对设备状态进行识别.实验表明上述方法能有效地对旋转机械设备故障状态进行在线监测识别,并能适应监测环境的动态变化,是一种可靠性高、柔性好的监测识别方法.