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。     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于支持向量机和粒子群算法的稳健优化

针对实际工程中不确定性因素与产品质量特性之间不具有显式函数关系的稳健优化问题时,代理模型的精度成为关键。本文提出一种基于支持向量机代理模型和粒子群算法的稳健优化方法,采用拉丁超立方试验设计采样布点,优化问题的目标性能函数、约束函数的均值和标准差由具有自动参数优化的支持向量机模型替代,采用粒子群优化算法对稳健优化模型进行求解。以典型的两杆结构优化为例,结果表明支持向量机代理模型的综合性能比常用的响应面、BP神经网络和Kriging模型更优越,稳健优化结果比较理想,为复杂产品的不确定性设计优化提供了一种新的思路。     

基于液晶的激光偏振测量系统研究

主要研究基于液晶的激光偏振测量系统,利用液晶可变相位延迟器(LCVR)代替传统测量技术中的旋转波片,改变所加的电压值控制液晶双折射系数,对入射光的偏振状态进行精确控制.通过偏振光调制法测量斯托克斯(Stokes)参量,从而实时、准确地测量激光的偏振特性.同时,利用虚拟仪器LabVIEW软件平台实现系统的数据分析、处理、界面显示和打印输出功能的一体化.研究表明:该方法能够准确地测量光束的偏振特性,能够服务于从科研实验室到工业生产过程的各类应用领域,具有广阔的应用前景.     

基于支持向量机的半导体生产线动态调度方法

为了快速合理地选择调度策略,研究了一种半导体生产线动态调度策略选择方法。该方法以历史数据为基础,选取支持向量机为数据挖掘工具,采用二进制粒子群优化算法对生产属性(特征)子集进行寻优,获得基于支持向量机的动态调度策略分类模型。对于任意给定的生产状态,通过该模型,能实时地获取当前生产状态下近似最优的调度策略。在调度策略评价中,选用了基于功效函数与熵权法的多目标评价方法,以扩展该方法的应用范围。在某实际硅片生产线上验证了所提动态调度方法的有效性。     

液晶可变延迟器相位延迟-电压曲线精确快速标定

相位延迟-电压曲线的精确标定是向列型液晶可变相位延迟器能否实现高精度偏振测量的关键。为了提高液晶相位延迟的测量精度,建立了一套精确高效的自动测量系统。首先,提出了一种新的测量方法,该方法综合了光强法、索累补偿器法以及等偏离测量技术,可以解决现有方法测量精度低或效率低的问题。在此基础上建立了测量系统,并利用Labview技术实现了系统的自动化测量,进一步缩短了测量时间。最后,对系统的测量误差、重复精度以及工作效率进行了实验验证。实验结果表明,系统延迟测量误差小于0.0575%λ,重复精度小于0.0197%λ,可在30 min内完成100个延迟采样点的自动化测量。该系统适用于可见光范围内液晶可变延迟器相位延迟-电压曲线的精确标定。     

基于具有高斯损失函数支持向量机的预测模型

鉴于∈-不敏感损失函数的标准支持向量机对产品销售时序的预测效果不好,提出一种采用高斯函数作为损失函数的支持向量机,给出相应的产品销售短期智能预测方法和参数优选算法.最后以汽车销售实例进行分析,表明基于高斯损失函数的支持向量机的短期预测方法是有效可行的.     

基于支持向量机的油管内外表面缺陷识别方法

由于根据漏磁信号难以准确识别出油管内、外表面缺陷,为此提出了基于支持向量机(SVM)的油管内外表面缺陷识别方法。采用时频分析技术提取了用于区分油管内外表面缺陷的漏磁信号时域和频域特征量,然后将其作为油管内外表面缺陷识别SVM模型的样本数据,采用改进的云自适应粒子群(MACPSO)优化算法对SVM识别模型的参数进行优选,结合优选的模型参数和样本数据训练构建油管内外表面缺陷识别SVM模型。实验结果表明:该智能识别方法能够有效区分油管的内外表面缺陷,识别准确率高于90%。     

Study on phase retardation characteristic of LCVR using dispersion analysis and SVM

To calibrate the phase retardance of a Liquid crystal variable retarder(LCVR),its birefringence dispersion characteristic was analyzed,and the Support vector machines(SVM) algorithm was adopted to establish the prediction model.The obtained SVM decision function was used as a part of LCVR phase retardance,which was generated by the driving voltage.The experimental verification was carried out with a 568 nm laser.The results show that the deviation of the experimental value and the theoretical value is about 0.0061λ.SVM method could be used as an effective method for LCVR phase retardance characteristic calibration.     

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群（SA-PSO）算法优化支持向量机（SVM）参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。     

管道裂纹远场涡流检测的定量反演方法研究

裂纹缺陷定量反演是管道远场涡流检测中的一个难点问题。首先针对远场涡流检测信号的特点,提出了一种基于最小均方误差准则的波形逼近技术,用以高精度提取检测信号的波形特征。接着通过建立非线性多项式反演模型、基于一维搜索寻优的BP神经网络反演模型和基于粒子群搜索寻优的支持向量机反演模型来实现由检测信号波形特征到裂纹缺陷尺寸的定量反演。仿真结果表明,支持向量机反演模型计算相对误差低于5%,具有较强的抗干扰能力,适合作为裂纹缺陷定量反演的有力工具。最后,通过实验也验证了这一结果。     

基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于容错度自适应支持向量机的液压泵故障诊断

针对已有在线故障诊断方法在数据量大、噪声强条件下分类速度较低、分类精度不够高等问题,结合液压泵故障类别数目大、工作环境恶劣的特点,提出了一种适用于混凝土泵车液压泵在线诊断的状态识别算法——容错度自适应支持向量机。该方法主要从四个方面对分类速度做了改进：①引入容错度因子进行模型训练;②优先选择能将某一类故障样本单独分离出来的二分类器;③在满足②的基础上选择平均支持向量机少的分类器;④引入增量学习算法对参数进行自适应调整,提高多故障诊断中对新故障类别和新故障数据的适应性,保证系统的分类精度。通过对混凝土泵车的液压泵故障诊断,证明了该方法在明显提高分类速度的同时保证了较高的分类精度。     

基于SVM构造的FLANN数据融合方法在CPS修正中的应用

在对常规函数链接型神经网络（FLANN）构造方法的认识基础上，讨论了一种基于支持向量机（SVM）技术的FLANN构造新方法，并利用该方法对实际的电容压力传感器（CPS）系统进行非线性修正及温度补偿。先将SVM的拓扑结构与常规FLANN结构进行比较，确定两者的等价性。因此，可通过SVM求解二次规划问题来实现FLANN结构的唯一优化。用常规FLANN方法在同样条件下进行对比实验，实验结果表明用该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点，特别是在实验数据较少的小样本条件下仍然具有更高的鲁棒性和修正精度。     

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。     

基于粒子群算法的摄像机标定过程优化

摄像机标定为机器视觉在物体位姿与姿态的测量过程中最重要一环,其映射物体三维空间与二维图像之间关系是一个复杂非线性最优化问题。为了更好地解决这一复杂优化问题,阐述了利用粒子群优化(PSO)算法计算摄像机标定过程的一种优化方法,重点描述了PSO算法的原理,单目视觉测量系统,以及基于CMOS摄像机的成像模型及其原理和算法。通过图像软件提取靶体模型上特征控制点,及摄像机标定算法建立了相应的计算公式。结合PSO算法优化像机外参,实验结果表明,PSO算法计算准确、速度快,具有很强的工程应用价值。