基于SVR 的惯性/卫星组合导航系统故障诊断方法

在惯性/卫星组合导航系统中, 针对传统X² 检验法检测出故障但无法准确识别故障子系统的不足, 提出一种基于支持向量回归的故障诊断方法. 采用残差X² 检验法实时对组合导航系统进行故障检测, 并构建基于支持向量机的回归预测模型, 实现对惯性导航系统状态的预测; 根据系统模型输出和预测模型输出之差辅助进行惯性导航系统的故障判别, 诊断出系统故障源. 仿真结果表明, 所提出的方法能够快速准确地识别故障子系统, 并进行有效的系统隔离和重构, 从而使组合导航系统的性能得到保障.

     

基于改进云自适应粒子群优化算法的NO_X含量测量

脱硝反应器入口NO_X浓度的及时、准确测量,对精确调节喷氨量、控制氮氧化物的排放至关重要。针对NO_X气体分析仪测量存在的精度差、滞后性等问题,基于传统云理论,并结合径向基函数(RBF)神经网络,提出了改进的云自适应粒子算法(CPSO)-RBF神经网络的测量模型。利用云模型理论中云滴具有随机性、稳定倾向性等特点,提出了一种新型分段式自适应调整粒子群惯性权重算法。利用此优化算法,对神经网络参数进行优化,提高了测量模型的精度。将该模型应用于SCR反应器入口的NO_X含量测量中,实例仿真表明,改进算法优化的神经网络模型具有较高的精度,为反应器入口NO_X含量的实时、准确测量提供了一定的理论依据,也为实际生产过程中NO_X的测量与控制提供了一定的参考。     

基于支持向量机的烟气二氧化硫排放量预测模型

针对循环流化床锅炉控制系统的烟气SO₂对象的非线性特点,本文建立了一种基于支持向量机的烟气SO₂排放量预测模型. 由于直接网格搜索确定支持向量机回归模型参数的方法计算量大、搜索时间长,本文采用单变量参数搜索结合网格寻优的方法来确定模型参数. 仿真结果表明,基于支持向量机方法建立的循环流化床锅炉烟气SO₂排放量预测模型具有良好的预测效果.     

基于UKF-LSSVM的燃煤机组NO_x排放浓度预测方法

目前,燃煤机组广泛采用选择性催化还原(SCR)脱硝技术。对燃煤机组NO_x排放浓度进行准确预测,不但有利于进一步提高SCR控制系统的调节品质,而且可以评估现场所收集到的数据是否真实准确,为环保部门对电厂排放NO_x浓度进行监管执法提供依据。提出一种基于无迹卡尔曼滤波最小二乘支持向量机(UKF-LSSVM)的NO_x排放浓度预测方法。基于现场数据和理论分析,确定了脱硝系统动态模型的输入和输出变量。采用无迹卡尔曼滤波(UKF)不断更新核参数σ和其他模型参数α、b,并采用样本更新策略对支持向量进行更新,提高了模型的自适应能力。将该方法用于某300 MW机组脱硝系统的NO_x排放浓度预测。仿真结果表明,所建模型能够准确预测燃煤机组NO_x排放浓度。与原有基于批量最小二乘支持向量机(LSSVM)建立的稳态模型相比,该方法具有更高的预测精度和自适应能力,为进一步研究脱硝系统动态优化控制奠定了基础。     

基于支持向量机的质量控制软测量建模

在具体研究支持向量机理论的基础上,提出了一种基于支持向量机的软测量控制方法。针对工业过程变量无法在线测量和大滞后的问题,建立了相应的支持向量机回归模型,将此方法用于合成反应器的质量控制中,实现了输出值的在线预估,并分析了参数调整和核函数的选择对建模的影响,得到了泛化良好的模型仿真结果。     

600MW机组SCR系统环保指标及其经济性分析

在SCR脱硝系统运行中,氨气的喷入量应根据SCR反应器出口NOx浓度及保证的脱硝效率通过喷氨调节门进行调节。本文就某电厂2×600MW机组SCR系统实际运行情况进行分析计算,结合实际运行经验,探讨不同的负荷阶段不同的燃烧调整方案,供氨单耗实际情况。说明降低脱硝系统喷氨量要通过日常燃烧调整、设备定期维护等方法以降低脱硝入口NOx含量、氨气逃逸率等来实现,提高系统运行的经济性。     

发酵罐KPCA与SVR软测量技术的研究

青霉素发酵过程具有较强的非线性、时变性和不确定性,发酵过程中的基质浓度、青霉素菌体浓度、产物浓度等关键生物参数难以实时在线测量,而离线化验存在时滞大的问题,难以满足实时在线控制的要求。针对这一问题,提出了一种基于核主成分分析(KPCA)与支持向量机回归(SVR)的软测量建模方法。首先,利用KPCA提取软测量输入数据空间中的非线性主成分;然后,采用SVR算法建立了可准确预测青霉素发酵过程重要参数的软测量模型。试验结果表明,与传统建模方法相比,KPCA-SVR软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中青霉素菌丝浓度的在线测量要求,是一种有效的软测量建模方法。     

SCR脱硝系统PCA-HPSO-SVR大数据建模研究

燃煤火电厂中的选择性催化还原(SCR)脱硝系统无法实现喷氨量的精确控制,SCR脱硝系统模型的可靠性直接关系到脱硝系统控制和运行的可靠性。通过挖掘现场海量的实际运行数据,对采用大数据建模理论建立的脱硝系统模型、SCR脱硝反应系统及现阶段存在的问题进行了研究。通过理论和实际运行情况分析,确定模型输入、输出需采集的变量。采用滑动窗口法提取稳态工况数据,利用主成分支持向量机回归(PCA-SVR)方法进行建模。对标准粒子群算法进行改进,采用混合粒子群算法(HPSO)对模型参数进行优化。结果表明,利用HPSO优化的脱硝系统PCA-SVR模型具有较高的预测精度和泛化能力。所建模型为下一步脱硝系统的优化运行以及喷氨量的精确控制奠定了基础。     

基于模糊时序和支持向量机的高速公路SO2浓度预测算法

针对现有SO₂浓度预测方法中存在的污染物来源和影响因素认识不统一、小样本数据敏感、易于陷入局部最优等问题,文中提出了基于模糊时序和支持向量机的高速公路SO₂浓度预测算法,为搭建高速公路环境健康监测系统提供了可靠的理论支持.该方法依据SO₂浓度的季节变动规律,以季节作为时间序列,以24h为粒化窗宽,通过高斯核函数提取原始样本数据的特征值,输入支持向量机训练模型,并利用k重交叉验证法结合网格划分优化模型参数.文中应用该方法建立了SO₂浓度预测模型,并以2014年4月至2015年3月山西省太旧高速公路某监测点SO₂小时浓度监测值为样本数据,在MATLAB平台下应用LIBSVM工具实现了计算过程.结果表明,基于模糊时序和支持向量机的高速公路SO₂浓度预测算法不受机理性理论研究的限制,支持小样本学习,非线性拟合效果好,泛化能力强.     

基于CART-LSSVM的球磨机料位软测量方法研究

球磨机是用于电力、磨矿和冶金等行业的高能耗设备,准确测量其滚筒料位能够提高运行效率和安全性能.针对其滚筒内料位难以实时检测,球磨机的轴承振动信号中存在较多的冗余特征,提出了一种基于分类回归树和最小二乘支持向量机的软测量方法,首先用Welch法获得振动信号的功率谱密度,并分割得到基本特征,然后建立分类回归树模型,根据最优树模型的分支节点进行特征选择,最后利用最小二乘支持向量机实现特征变量与料位间的非线性映射.通过实验结果的对比分析,验证了该模型的有效性和实用性,以及良好的预测精度.     

基于支持向量机的预测函数控制

针对化工过程存在的强非线性生产过程，提出了基于支持向量机技术预测模型的预测函数控制方法。利用支持向量回归的方法对非线性过程进行建模，采用预测函数控制方法进行控制。针对具有强非线性连续搅拌反应釜过程进行仿真，仿真结果表明：支持向量机的建模方法可以有效地解决强非线性的化工过程的建模问题，并且具有较好的泛化能力，基于这种预测模型的预测函数控制具有较好的控制性能和良好的跟踪能力及抗干扰能力。     

PEMFC的PSO优化LS-SVM动态建模仿真

质子交换膜燃料电池(PEMFC)作为一种电化学反应装置,湿度管理对于它的运行性能十分关键.为了建立相应的动态模型,采用了最小二乘支撑向量机(LS-SVM)算法,并使用微粒群算法(PSO)对LS-SVM模型参数进行了自动优化.这种方法建立的动态数学模型能够以进气湿度和工作电压为输入量预测输出的电流密度.仿真结果显示,模型的预测值和实验数据间的平均平方相对误差小于0.0001,能够达到很好的预测精度.因此,这种优化建模策略可以有效的应用到PEMFC研究中.     

基于线性规划支持向量回归的混沌系统预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已经广泛用于解决分类与回归问题。标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢。为了提高运算速度,介绍了一种基于线性规划的支持向量回归算法,并由此提出几种新的回归模型,同时将它们应用到混沌时间序列预测中,并比较了它们的预测性能。在实际应用中,可以根据具体情况灵活地选择所需模型。     

基于SVR的多传感器数据融合处理方法

为了提高传感器的稳定性和每个参量的测量精度,本文提出了一种新的基于支持向量机回归估计(SVR)的多传感器数据融合处理方法.仿真实验结果表明,该方法能有效降低压力传感器的交叉灵敏度系数,提高压力和温度的测量精度.而且压力传感器的零位压力相对温度变化的稳定性明显优于多维回归分析和人工神经网络的数据融合处理方法.     

基于果蝇优化算法的LSSVR干燥速率建模

回转干燥窑由于干燥速率难以在线测量,其干燥速率模型的建立一直是一大难题.在分析干燥速率建模的基础上,提出将最小二乘支持向量机运用到干燥速率建模,及其基于免疫-果蝇优化算法的最小二乘支持向量机回归参数优化方法( IAFOALSSVR).首先利用预处理的干燥过程数据进行模型的训练,利用免疫-果蝇算法对模型参数进行寻优,然后获得最优参数并建立最优模型,通过使用该改进方法建立干燥速率模型与其他算法优化的模型进行对比,结果表明该优化方式在干燥速率建模精度上与其它智能算法相当,在计算效率上要优于其它算法.     

基于改进的SVMR的混沌时间序列预测

针对标准支持向量机处理大规模数据集会出现训练速度慢、计算量大的缺点,提出了一种基于二叉树模型的支持向量机回归方法。通过二叉树模型将大样本数据集自适应分解成若干个子集,利用支持向量机分段提出支持向量,再把这些支持向量汇合成一个训练样本集进行训练产生决策函数,并将其应用到混沌时间序列的预测。与标准算法相比,该方法在保证泛化精度一致的前提下,极大地加快了训练速度。     

A load prediction model for cloud computing using PSO-based weighted wavelet support vector machine

In order to reduce the energy consumption in the cloud data center, it is necessary to make reasonable scheduling of resources in the cloud. The accurate prediction for cloud computing load can be very helpful for resource scheduling to minimize the energy consumption. In this paper, a cloud load prediction model based on weighted wavelet support vector machine(WWSVM) is proposed to predict the host load sequence in the cloud data center. The model combines the wavelet transform and support vector machine to combine the advantages of them, and assigns weight to the sample, which reflects the importance of different sample points and improves the accuracy of load prediction. In order to find the optimal combination of the parameters, we proposed a parameter optimization algorithm based on particle swarm optimization(PSO). Finally, based on the WWSVM model, a load prediction algorithm is proposed for cloud computing using PSO-based weighted support vector machine. The Google cloud computing data set is used to verify the algorithm proposed in this paper by experiments. The experiment results indicate that comparing with the wavelet support vector machine, autoregressive integrated moving average, adaptive network-based fuzzy inference system and tuned support vector regression, the proposed algorithm is superior to the other four prediction algorithms in prediction accuracy and efficiency.     

基于多支持向量机模型和优化控制器的板形板厚控制

针对带钢热连轧过程中互相耦合的板形、板厚控制问题,提出一种综合控制策略.首先,在输入空间划分的基础上建立包含多个子模型的多支持向量机模型,并通过主元分析方法实现模型输出的综合;然后,利用建立起来的模型设计优化控制器,对板形、板厚进行综合控制.计算机仿真和现场实验结果均表明了所提出的基于多支持向量机模型的综合控制策略能同时有效地减小板形、板厚偏差.     

Reducing examples to accelerate support vector regression

With increasing of the number of training examples, training time for support vector regression machine augments greatly. In this paper we develop a method to cut the training time by reducing the number of training examples based on the observation that support vector’s target value is usually a local extremum or near extremum. The proposed method first extracts extremal examples from the full training set, and then the extracted examples are used to train a support vector regression machine. Numerical results show that the proposed method can reduce training time of support regression machine considerably and the obtained model has comparable generalization capability with that trained on the full training set.     

小波支持向量机在SAR图像降噪中的应用

基于支持向量回归理论和小波支持向量核函数,提出了一种新的SAR滤波方法。首先对支持向量回归方法做了分析,通过对复杂信号进行逼近实验,验证了其应用于图像滤波的可行性和合理性。之后将SAR图像看成是一个二维连续信号,将对复杂信号具有更好逼近能力的小波支持向量核函数用于SAR图像滤波,小波核函数由Morlet小波构建。实验结果表明本文提出的方法能很好的降低SAR图像噪声,而且能比传统方法更好的保持边缘。