磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型-灰色支持向量机预测模型。为了提高预测精度,用粒子群算法对灰色支持向量机的相关初始化参数进行优化,用优化后的模型对汽车制动系统故障进行预测与诊断。实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

岸桥金属材料与焊接结构寿命预测

基于不同损伤理论,利用人工智能技术来预测岸桥金属结构疲劳寿命的智能算法已经成为岸桥领域新的热点。为提高寿命预测精度,分别利用神经网络算法和支持向量机算法进行仿真实验,估算在两级载荷下的疲劳寿命。根据前人给出的实验数据,分别运用基于遗传算法优化的神经网络和基于粒子群优化的支持向量机算法对正火35#钢和调质45#钢进行疲劳仿真,描述应力与累积损伤之间的非线性关系,以及应力加载顺序对疲劳寿命的影响;并对海洋平台中最为常见的焊接管接头结构进行疲劳参数的预测,以验证经过优化的智能算法的实用性。同时与优化过的BP神经网络和支持向量机预测结果进行比较,表明优化方法对于提高智能算法的预测精度有较大作用。     

基于动态变步长果蝇算法优化支持向量机的轴承故障诊断方法

针对果蝇算法(FOA)在优化支持向量机(SVM)参数时容易陷入局部最优而影响诊断精度的问题,对果蝇算法中固定步长这一缺点进行改进,提出了动态变步长果蝇算法(DCFOA).利用该算法对支持向量机的参数进行优化,并对轴承的故障进行诊断,结果表明该算法获得了更优的支持向量机参数组合,相比于果蝇算法,显著提升了故障诊断精度,同...     

基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

特征选择与支持向量机参数同步优化研究

提出了免疫多向二进制粒子群优化算法。基于该算法实现了特征选择与支持向量机参数的同步优化,克服了单独优化特征或单独优化支持向量机参数的缺陷。既解决了特征与分类器不匹配带来的诊断能力下降,又提高了故障诊断精度与搜索速度。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

基于模拟退火算法优化的支持向量回归机对内螺旋槽切削力的预测

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,为刀具设计提供依据,并经切削力实验对预测值进行验证。通过仿真以及切削力实验可知,模拟退火算法优化的支持向量回归机预测精度比优化前的预测精度提高了50%以上,且模拟退火优化的支持向量机模型能够应用于实际内螺旋槽的切削加工中。     

基于改进PSO-SVR的连杆机构可靠度敏感性研究

为提高连杆机构的运动精度可靠性,提出一种利用多体动力学和支持向量回归(Support Vector Regression,SVR)算法构建机构的运动模型并对其进行可靠度敏感性分析的方法。通过引入粒子群优化(Particle Swarm Optimization,PSO)算法对SVR的惩罚参数和核函数参数进行寻优,提高SVR的回归预测精度。为克服PSO容易早熟和搜索精度低等缺点,对惯性权重系数和学习因子进行改进,应用改进算法与标准PSO-SVR算法并结合蒙特卡洛模拟对四杆机构的可靠度敏感性进行分析研究。通过实验对比表明,改进的算法收敛速度更快、回归预测精度更加接近于蒙特卡洛模拟,且计算速度优于蒙特卡洛模拟。     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

灰色SVR模型在珩磨尺寸预测中的应用

针对灰色(1,1)模型(Grey model(1,1), GM(1,1))对非指数型数据序列预测精度低的问题,提出了一种灰色支持向量回归(Grey support vector regression, GSVR)预测模型。该模型一方面通过参数累积估计、预测公式改进和数据等维递补,对灰色模型进行建模优化,另一方面通过差分变异和混沌局部搜索改进的粒子群算法,对支持向量回归机进行参数优化,再将二者相结合进行预测。对柱塞套内圆珩磨尺寸的预测结果表明,该模型的预测均方误差为0.3913,平均绝对百分比误差为4.90%,其预测精度较GM(1,1)模型显著提高。     

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。     

基于SVR-KM算法的一种立式加工中心Y轴运动直线度一致性研究

针对某立式加工中心的制造一致性问题,采用非参数统计中的Kruskal-Wallis检验,分析了影响Y轴运动直线度的因素,提出了基于支持向量回归机(Support Vector Regression,SVR)的Y轴运动直线度精度区间预测算法,通过遗传算法对支持向量回归机的惩罚函数参数C和高斯核函数参数gamma进行了优化,使算法具有了更高的预测精度和更好的适应性;在对精度区间准确预测的基础上,通过KM(Kuhn-Munkras)算法对机床底座和装配人员进行二分匹配,显著提高了Y轴运动直线度的一致性。结果表明:采用支持向量回归机预测算法在置信度为90%的情况下其预测的精度区间宽度为3μm,蒙特卡洛模拟显示一致性提升了47%,可为提高立式加工中心制造一致性提供新思路。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

基于PSO-SVM的变压器故障诊断研究

支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。