改进初值∏隐马尔科夫模型预测电池健康度

针对电动汽车所使用的锂离子电池剩余寿命难以检测的问题,分析影响电池寿命衰退的因素,建立改进初值的隐马尔科夫模型对锂离子电池寿命衰退进行预测,并给出了预测方法。以18 650锂离子电池为研究对象,首先通过实验结果分析得出与电池寿命衰退相关的主要因素,再根据充放电实验获得的放电曲线提出了放电平台临界点,最后利用大量实验数据建立改进初值的隐马尔科夫模型来预测电池衰退表现,通过结合之前的衰退情况,提出了衰退表现系数表示电池容量衰减程度可直接预测电池的剩余使用寿命。理论分析和实验结果表明该模型能够对电池的剩余寿命进行预测,预测精度达到2.06%。     

基于改进支持向量机算法的光伏发电功率预测

针对当前光伏发电间断性和随机性对电流影响较大的问题,基于改进支持向量机算法,提出光伏发电功率预测方法.通过灰色关联度优化气象影响因素参数,改进支持向量机算法,建立多气象因素协同约束的光伏电池等效模型,得到光伏电池的串联和并联电阻;将训练数据的总数映射到特征空间中,筛选数据并定义特征空间中的超平面,计算光伏发电的有效功率并降低误差.结果表明,预测结果与实际结果符合程度高,功率预测的绝对误差小,有效性和应用性得到验证.     

基于特征选择和SVM的电信客户离网预测

针对数据挖掘算法在预测电信客户离网时存在的过拟合问题,提出一种基于特征选择和支持向量机的电信客户离网预测算法。将原始的电信数据分别进行数据缺失值填充、数据冗余识别、数据结构化和数据归一化等预处理,得到利于分析处理的规范性数据;利用信息增益完成特征选择,提取影响客户离网的主要因素,降低数据维度,防止出现过拟合现象。将经过特征选择后的数据作为支持向量机算法的输入数据对客户是否离网进行分类,预测客户是否存在离网行为。测试结果表明,该算法预测离网客户的正确率为86%,提升了离网客户预测准确率。     

基于最优加权组合模型的光伏出力预测

针对单一光伏出力预测方法的局限性,建立了一种基于最优加权组合方法的光伏发电功率预测模型。基于气象信息数据,采用模糊聚类的方法将历史光伏发电功率样本分为几类,然后将预测日归类为相似度较高的历史样本集。将此类历史样本与预测日的气象数据作为输入样本分别建立BP神经网络模型、支持向量机模型。利用最优加权组合算法进行多模型的加权组合,得到组合预测模型。某光伏电站的实测功率数据与模型预测结果对比表明,提出的模型有较高的预测精度。     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于泡沫图像特征加权SVM的浮选工况识别

针对浮选泡沫视觉特征的多样性和重要度差异以及浮选工况样本数分布不平衡等问题,提出一种基于在线泡沫视觉表观特征加权支持向量机的浮选工况识别方法.通过色彩空间变换,在CIE-Lab空间计算泡沫颜色,采用多方向融合的空间灰度共生矩阵提取泡沫纹理特征,以视觉特征的信息增益评价该特征的重要度,再利用不同工况的样本数加权策略消除样本数不平衡的影响,采用支持向量机方法实现了浮选工况的自动识别.工业运行数据测试结果表明：该方法能够在线识别浮选工况,自动识别准确率达98%,比人工识别率高6%,比传统灰度共生矩阵方法高2%.     

基于DE优化SVR的锂离子电池剩余容量预测

在分析了支持向量机回归算法(SVR)对剩余容量模型非线性回归基础上,针对SVR参数选择难的问题,提出了一种基于微分进化(DE)算法优化SVR的算法。DE具有强劲的全局搜索能力,将其应用到SVR的参数寻优当中去,可以寻找到SVR的最优参数。将该方法应用于锂离子电池剩余容量的预测模型,并将生成的模型和基于粒子群优化(PSO)算法的SVR锂离子电池容量预测模型比较。仿真结果表明,基于DE优化的SVR剩余容量预测的精准度高于PSO优化的SVR剩余容量预测精准度,为锂离子电池容量预测提供了一种新的方法。     

一种改进的SVM短期电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确、高效的要求,提出了一种改进的支持向量机短期负荷预测方法。利用主成分降维获取日负荷数据的特征因子,通过灰色关联分析建立负荷特征因子与影响因素之间的关联关系。构建不同日之间影响因素的加权差异度值,将倒数作为权重系数引入支持向量机模型,建立了一种考虑影响因素权值特征的SVM负荷预测模型。仿真结果表明,改进的SVM模型在一个月内负荷预测的平均预测准确率约为97.01%,日均相对误差在0.32%～3.57%范围内波动。该模型的负荷预测准确率和稳定性均优于常规的SVM模型与LS-SVM模型。     

基于改进型主元分析和SVR的煤矿瓦斯涌出量预测

针对传统的主元分析存在的缺点和样本的特征,结合煤层瓦斯涌出影响因素,建立了基于权重的改进型主元分析和支持向量回归机的煤层瓦斯涌出量的预测模型.首先,采用改进型主元分析法对影响瓦斯涌出量的指标分析处理得到主成分即输入变量,然后建立以主要成分为输入变量,以瓦斯涌出量为输出变量的基于支持向量回归机的预测模型.实验表明,该模型能够消除输入变量间相关性,减少输入变量个数,有效解决样本少、模型复杂的问题,并且提高了预测精度.     

多健康指标的锂电池剩余使用寿命区间预测

本文提出一种新的锂离子电池剩余使用寿命(Remaining Useful Life, RUL)的区间预测方法。该方法从实际角度出发,使用更易于测量的健康指标实现了对锂离子电池RUL的区间预测,并给出了带有上下限的区间预测结果而非单一的预测数值,使预测结果更适用于现实决策环境。首先,从数据集中提取了多组可以表征电池退化性能的健康指标;其次,利用灰色关联分析对所提健康指标与容量进行了相关性分析,选择相关性最高的两组健康指标用于后续处理;再次,对两组健康指标进行模糊信息粒化,生成颗粒,获得了可用于区间预测的上下限序列;最后,将颗粒的上下限作为训练输入,容量作为输出,利用最小二乘支持向量机训练并预测了电池RUL。实验结果表明,所提的区间预测方法在3组电池数据中RUL区间预测结果均正确覆盖了真实值,且预测区间在30个循环周期内。进一步地,在4组电池的区间预测过程中,预测区间覆盖率均在91%以上,区间宽度值保持在0.056以内。     

基于改进最小二乘支持向量机的电力系统受扰轨迹在线预测

分析了标准最小二乘支持向量机算法用于在线预测时存在的主要问题,根据分块矩阵求逆定理对标准算法进行改进,实现支持向量的递推式求解,提高了算法的学习效率。为了满足实际多机系统在线轨迹预测的要求,引入轨迹聚合技术对多机轨迹进行聚合,进一步减少了计算量。以电科院8机系统和我国西北电网为例进行仿真分析,从预测精度和计算时间两方面验证了方法的有效性。     

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

一种基于MPEG压缩域的视频对象提取方法

为了加快视频对象的提取速度,提出了一种直接从MPEG压缩视频流中准确地提取视频对象的方法。首先从码流中提取运动矢量及DC系数,通过运动补偿建立DC Image;同时对运动矢量在时域上进行平均,在空域上进行带权矢量中值滤波处理。然后再定义了与运动矢量和DC系数都紧密相关的、以8×8块为基本单位的向量;之后对向量进行基于密度和层次的聚类算法得到分层的视频对象树,再通过计算最佳对象数目并提取视频对象。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

改进Elman网络在锂离子电池容量预测中的应用

为了准确估算锂离子电池的荷电状态（SOC）,在分析影响锂离子电池剩余容量时变特性的基础上,综合国内外几种常用的预测锂离子电池方法,将改进Elman网络应用到锂离子电池的容量预测和模型建立中。实验结果表明：该网络不仅局部泛化能力好,而且有较好的动态性能和逼近能力,能够满足电池容量预测的误差要求。     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

Adaptive blind equalizer based on least square support vector machine

An adaptive blind support vector machine equalizer ( ABSVME ) is presented in this paper.The method is based upon least square support vector machine ( LSSVM ),and stems from signal feature reconstruct...     

基于不变矩算法的行人识别方法研究

行人识别对于智能辅助驾驶和智能车辆至关重要.采用一种基于不变矩算法的行人特征提取和识别方法,通过利用不变矩在目标平移、旋转和缩放的不变性,在HU不变矩基础上添加3个表达式,使不变矩包含更多的细节特征,将其作为行人目标的识别特征,利用支持向量机分类器作为主要手段对不变矩进行分类识别,并分析影响识别效果的影响因素.试验结果表明,选择改进的不变矩作为行人特征具有较好的行人识别效果,较高的识别率使行人和非行人能得到有效的识别.