基于鲁棒ν-支持向量机的产品销售预测模型

产品销售时序通常具有正态高斯分布、幅值较大、奇异点等混合噪音,为此,设计了一种鲁棒损失函数,得到一种新的支持向量机,即鲁棒ν-支持向量机.它可以有效地压制销售时序的多种噪音和奇异点,具有很强的鲁棒性,而且比标准ν-支持向量机具有更简洁的对偶优化问题.最后进行了汽车销售预测的实例分析,结果表明,基于鲁棒ν-支持向量机的预测模型是有效可行的.     

鲁棒自适应波束形成算法比较研究

传统的自适应波束形成算法对基阵的轻微误差非常敏感,为了提高自适应波束形成技术对阵列误差的鲁棒性,在分析线性约束最小方差波束形成器的基础上,讨论了传统的对角加载算法对波束形成器鲁棒性的改善,提出了将基于结构风险最小化原理的支持向量机算法应用于鲁棒波束形成,并对对角加载算法和支持向量机算法进行了鲁棒性能分析与比较.仿真实验...     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于支持向量机的发电机组逆模型控制

针对同步发电机组这个非线性、工况复杂的多变量控制对象,研究了一种基于支持向量机的发电机组逆模型控制方法.根据采集到的输入输出样本数据,首先由支持向量机网络来辨识发电机组的逆模型,以此作为逆控制器没计的基础.随后.分析了2种不同的逆模型控制器,即直接逆模型控制和具有线性补偿的逆模型控制.仿真研究表明,支持向量机逆模型控制器具有优良性能,而且线性补偿逆模型控制比直接逆模型控制的性能更优,鲁棒稳定性更好.     

故障程度鲁棒的滚动轴承智能诊断方法

本文中提出了一种基于共振滤波和包络小波包分解的鲁棒故障特征提取方法,首先对信号进行共振频带滤波,再对滤波信号的包络进行小波包分解并提取重构子带信号的标准偏差值作为特征向量。该方法考虑了包络信号能充分描述轴承局部故障引起循环冲击的特点,并利用支持向量机进行轴承故障类型自动识别。实验结果表明,该方法能有效地实现故障程度鲁棒的滚动轴承智能诊断,具有较高的诊断速率,效果优于传统滚动轴承诊断方法。     

电液伺服系统故障诊断技术研究综述

从直接主观、参数测量、信息融合、故障树分析、专家系统、动态神经网络、鲁棒观测器、卡尔曼滤波器、支持向量机等九个方面综述了电液伺服系统故障诊断技术的研究现状和存在问题,并描绘今后的发展趋势.     

两电机同步系统支持向量机广义逆控制

针对非线性强耦合的两电机同步系统,采用支持向量机广义逆与PID相结合的控制方案。首先由支持向量机逼近原系统的广义逆模型,然后与原系统相连接,从而构成复合伪线性系统,使系统解耦线性化。最后引入PID控制来去除建模及动态误差。仿真结果证明,该方法动静态解耦性能优良,同步性及鲁棒稳定性较强。     

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。     

基于条件神经域的行为识别研究

以常用的行为识别数据集作为研究对象,利用条件神经域模型进行单人行为识别。首先用鲁棒自适应视觉背景提取算法提取特征,然后使用质心对齐方式截取目标区域并转成一维向量,最后将特征向量进行实验训练与测试,并将测验结果与隐动态条件神经域和支持向量机算法识别结果相对比。结果显示,条件神经域模型算法在识别率和稳定性方面都优于另外两种算法。     

鲁棒LSSVR的模拟电路性能在线评价策略

针对模拟电路性能的在线评价问题,既要考虑运算速度又要考虑评价的可靠性.而现场数据的采集常包含有错值,对于错值正确的处理直接关乎到评价结果的可靠性.运用标准支持向量回归机(LSSVR),结合鲁棒学习的优越性,设计修正双核径向基核函数(MDRBF)在线调节核宽度保证支持向量数目确定的精确性,利用改进的鲁棒学习算法处理包含错值的数据集,在线完成模拟电路输出预测与实际输出对比,获取预测误差.该方法利用鲁棒学习算法更新LSSVR权值来处理错值,同时应用增量、减量交互的学习方法兼顾历史数据,控制存储数据总量,完成鲁棒LSSVR (RLSSVR)模型的在线更新.实验以高校模拟电路实验为依托,采用近两年内由精密仪器设备测评所得的小功率放大器的8项技术指标构建训练集,进行RLSSVR在线评价.实验表明,所提出的方法能有效处理错值所带来的回归偏差,性能优于传统LSSVR法、ε-SVR法及WLSSVR法,与精密仪器性能评价结果较为接近,且有较优的运算速度,适于在线推广.