基于时频组合特征的PSO-SVM手势识别方法

为了提高基于表面肌电(sEMG)信号的手势识别的准确率,提出了时频组合特征和粒子群算法优化支持向量机(PSO-SVM)相结合的手势识别方法.将手势sEMG信号的时域特征和频域特征进行线性组合,组合后的时频组合特征作为分类特征,采用经PSO优化的SVM分类器对8类手势进行分类.结果显示,基于时频组合特征均方根值-平均功率频率(RMS-MPF)、绝对均值-平均功率频率(MAV-MPF)的手势识别率,优于它对应的时域特征、频域特征的手势识别率,同时也优于时频域特征的手势识别率.表明了基于时频组合特征RMS-MPF、MAV-MPF的PSO-SVM方法对手势识别有良好的分类效果.     

基于PSO-BP神经网络与PSO-SVM的抗乳腺癌药物性质预测

通过实验筛选研发新药的过程非常缓慢且需耗费大量的人力物力,而利用计算机辅助预测药物的分子性质可极大地节省药物研发时间和成本.因此,为了能够使抗乳腺癌候选药物对抑制ERα具有良好的生物活性和ADMET性质,针对收集到的1 974种化合物,首先利用随机森林分类器筛选出前20个对生物活性最具显著影响的分子描述符,并以此和pIC50值作为特征数据建立QSAR模型.其次,基于PSO优化BP神经网络对50个新化合物的生物活性值进行预测,模型拟合度为0.833 7,根均方误差为0.731 5,比优化前的BP神经网络预测值更贴合实际.随后为提高药物研发的成功率,依据已有的ADMET性质数据利用PSO优化SVM构建ADMET分类预测模型,算法交叉验证CV准确率达到94.076 7%,5个指标模型的预测准确率均在79%以上.结果表明,所建立的模型比基准模型的预测性能更好,采用的预测策略是有效的,可为抗乳腺癌药物的研发提供借鉴.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于PSO-SVM的侵彻效果预测方法

准确预测弹丸参数变化时的侵彻效果,对作战效果评估和战斗部设计都具有重要作用.针对当前方法存在的问题,提出了一种基于粒子群优化支持向量机算法的动能弹侵彻混凝土靶的侵彻效果预测方法.通过对训练样本的学习,在支持向量机中可以形成输入量到输出量之间的智能映射关系,完成训练后的支持向量机根据新的输入量可以解算出对应的侵彻深度.为了获得更好的预测效果,使用粒子群优化算法改进了支持向量机的结构参数.最后进行了预测测试,结果表明本文方法的相对预测误差为4%,可以满足工程需要.     

分层考虑气象因素的PSO-SVM短期负荷预测方法

气象敏感负荷在总负荷中所占比重日益增大,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响。利用经验模式分解方法自适应地将负荷序列分解为若干个独立的内在模式分量,采用Spearm an秩相关系数分析各负荷分量与气象因素间的关系,根据影响程度的不同分层建立粒子群算法优化参数的支持向量机模型,最后对各个分量预测的结果相加得到最终预测结果。实例研究表明,该方法具有较高的预测精度和较强的推广能力。     

冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

基于PSO-SVM的离心式压缩机转速模型的研究

针对宁夏某石化公司离心式CO2压缩机透平转速预测难以实现问题,引入PSO-SVM回归模型对离心式压缩机透平转速进行预测.分析选取离心式压缩机透平转速作为模型因变量,通过相关分析从采集量中选取高相关度预测因子,运用粒子群算法选择模型最优参数,利用支持向量机的方法建立模型进行预测,与传统的SVM模型进行对比,该模型得到了良好效果,能够有效预测压缩机透平转速.     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

基于PSO-SVM及时序环节的数控刀架故障诊断方法

提出了一种基于粒子群-支持向量机(PSO-SVM)及时序环节的数控刀架故障诊断方法。首先,将数控刀架划分为5个子系统,并将一个工作周期划分为4个时序环节(T1、T2、T3、T4);其次,探索了数控刀架不同时序环节振动、电机电流、油压以及接近开关等信号的特征提取方法;最后,提出了基于PSO-SVM的数控刀架故障诊断方法,并开展了不同时序环节的数控刀架故障试验。根据故障数据对支持向量机(SVM)和PSO-SVM两种故障诊断方法进行了对比验证。结果表明:时序环节T2、T3和T4的故障诊断准确率分别提高了28%、23%和5%,验证了该故障诊断方法的有效性。本文方法不仅适用于数控刀架,还为其他复杂机电系统的故障诊断研究提供了一个新思路。     

基于LS-SVM和BP神经网络组合模型的GPS高程拟合

提出了最小二乘支持向量机（LS-SVM）与BP神经网络的最优加权组合模型。通过实测数据对比分析了LS-SVM、BP神经网络、基于总体最小二乘算法（TLS）的二次多项式曲面拟合和最优加权组合模型的精度,结果表明最优加权组合模型的精度优于其他模型。     

BP网络的城市时用水量预测组合模型

为建立起城市用水量与其影响因素间的预测模型,以预测的城市用水量趋于合理,针对城市时用水量的特点及影响因素,在考虑充分利用各因素历史观测数据的基础上,利用BP神经网络建立了城市时用水量的时间序列预测与解释性预测组合模型,并对南京市的时用水量进行了预测.预测结果与实际情况具有很好的一致性,预测误差小,能满足供水系统调度的实际需要.可见,本预测组合模型是合理的,为城市时用水量预测提供了一种可行方法.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

给水管网余氯的混沌特性与预测

基于混沌理论，研究了给水管网余氯时间序列的混沌特性．并根据混沌理论的最大Lyapunov指数对其进行了预测的研究．采用混沌理论的特征参数一一关联维数和最大Lyapunov指数分析了余氯时间序列的混沌特征．通过实例分析证明给水管网的余氯时间序列存在混沌特征．基于最大Lyapunov指数提出了给水管网余氯的预测模型，实例研究结果表明不需要管网其他监测点或其他水质监测数据的辅助，该方法能够进行连续多步预测，并且其在最大可预测时间尺度内的预测精度较高而且比较稳定，而在最大可预测时间尺度外的预测精度下降很快并且预测稳定性较差．     

一种基于QPSO和WLS-SVM的智能方法

提出一种基于量子粒子群优化算法(QPSO)和加权最小二乘支持向量机(WLS-SVM)的智能方法,以克服常用方法存在需要较大样本数据量、建模速度较慢差等缺点.方法的具体改进是,将SVM中单一核函数构造成混合核函数,增加自适应权重,采用QPSO算法求解WLS-SVM训练模型中的线性方程组,这样能提高模型的性能.经过典型的二型糖尿病诊断实验,结果表明其建模速度快、诊断准确率高,其效果优于改进BP算法神经网络、LM算法神经网络和单核函数的SVM等方法.     

供水管网余氯预测的研究

针对饮用水余氯监测数据的滞后性问题，运用多元线性回归模型，建立了管网末梢的余氯浓度和加氯量等5个自变量之间的线性关系，通过数据分析软件SAS对华北某新区配水管网2002年9月至2002年12月共4个月的监测数据进行了回归分析，并对2003年4月的余氯浓度进行预测，预测结果基本符合实际情况，可以根据此模型来确定加氯量，预测管网末梢的余氯。     

基于粒子群脊波神经网络的飞机目标识别

针对传统的基于梯度的脊波神经网络训练算法存在效率低、网络规模大、后期容易震荡等缺点,提出了一种粒子群网络训练算法,网络结构采取逐步递增隐层神经元的方法加以确定,对粒子群个体参数取不同的位置边界,并对粒子飞行速度进行限制,在合理设定粒子群算法各参数值的情况下实现了网络快速而有效的训练.仿真试验将该网络用于6类空中飞机目标的识别,并与传统的识别手段进行了比较,结果表明粒子群算法训练的脊波神经网络具有规模小、学习和泛化能力强、网络可控性好等优点.     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。