基于MPSO-SVM非线性氨氮传感器的数据补偿

针对氨氮传感器在信号采集中容易受待测溶液中pH值和温度影响的问题,采用改进的粒子群优化支持向量机方法(MPSO-SVM)对氨氮传感器进行非线性数据补偿校正,构建了氨氮检测系统.系统预处理分别采用递推平均滤波、IIR数字滤波和卡尔曼滤波3种滤波方式,再将滤波后的数值归一化建立基于支持向量机回归模型.研究结果表明,MPSO...     

基于决策函数及PSO优化的SVM预测控制应用研究

SVM处理大样本问题时性能明显不如神经网络,因此笔者利用矩阵变换进行决策函数的简化来提升SVM的训练速度,对SVM建模时非必需的支持向量进行约简,并引入一个松弛变量来提升约简效果.实验证明,约简后支持向量个数减少三分之一以上.SVM所建立的模型进行线性化之后应用于预测控制当中,采用PSO算法来选择最优的SVM参数和计算预测控制的最优控制律.通过对水泥回转窑窑尾烟室温度的数据进行实验仿真,结果表明该方法可以提高系统响应速度,减小系统响应的超调量.     

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.     

基于改进粒子群算法优化SVM的变压器故障诊断

为提高变压器的运行可靠性,提出一种基于核主成分分析（kernel principal component analysis,KPCA）和改进粒子群优化（improved particle swarm optimization,IPSO）算法优化支持向量机（support vector machines, SVM）参数的变压器故障诊断方法。首先建立变压器状态评估的基础指标体系,并采用KPCA对基础指标进行关键参量的提取,得到降维后的评价指标,然后将其输入SVM训练诊断模型,最后采用IPSO对SVM进行参数优化。仿真结果表明,该方法对变压器故障诊断的准确率达到95.42%,相比KPCA-PSO-SVM以及KPCA-SVM诊断模型,准确率有显著提升。     

基于CNN-SVM的飞机EHA故障诊断算法研究

针对飞机电动静液作动器(electro-hydrostatic actuator, EHA)系统集成度高、工况复杂、故障种类多的特点,为了对其典型故障进行有效诊断,提出一种基于卷积神经网络(convolutional neural networks, CNN)和支持向量机(support vector machine, SVM)的故障诊断算法。使用CNN对故障数据进行自适应特征提取,再利用SVM对CNN全连接层输出进行分类。为提高SVM分类性能,使用带动态惯性权重的自适应粒子群优化算法(dynamic inertia weight adaptive particle swarm optimization, IWAPSO)实现对SVM参数的优化选择。引入Ramp损失函数降低SVM的噪声敏感性。结果表明：经过参数优化后的SVM准确率比标准SVM提升了12.6%,比传统CNN方法提升了17.3%;当使用含噪声信号的测试集时,基于Ramp损失函数的SVM表现出了更好的鲁棒性。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

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.     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和ggamma值进行寻优,建立起2010年1月～2011年12月林下参的价格预测模型。利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM（Support Vector Machine）对预测集1的预测相关系数为97.316%。     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于网络特征与用户行为分析的联合窃电检测方法

随着电力行业的迅速发展,窃电手段呈现出更复杂隐蔽的特点,给反窃电带来了很大考验.基于此,提出一种基于网络特征与用户行为分析的联合窃电检测方法.一方面,从网络特征分析角度出发,根据当前的电力网络测量数据,基于标准化残差搜索法识别与估计异常参数,准确定位疑似窃电用户所在支路,实现横向窃电检测;另一方面,从用户行为分析角度出发,利用用户的历史用电数据,结合粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提高窃电检测分析精度,实现纵向窃电检测.仿真结果表明,利用该联合窃电检测模型能够准确确定窃电异常支路并定位该支路上的窃电用户,有效筛选出电力网络的窃电嫌疑用户.     

基于多通道表面肌电信号的手势识别方法研究

为验证基于表面肌电信号控制智能假手的可靠性,构建一种基于网格划分(Grid Search)优化支持向量机(SVM)的手势动作识别模型.从Ninapro数据集中截取部分动作信号数据,通过提取5种时域特征和基于小波包的时频域特征,利用SVM和Grid Search-SVM对不同种手势动作进行分类,并对比分类模型的可靠性.实验结果表明,在训练集数据量不同时,分类效果不同;且在训练程度相同时,优化后的分类模型较未优化模型分类效果更好,平均准确率相比提高了21.37％.该模型的建立为以后实时控制智能假肢奠定了基础.     

基于粒子群优化算法的充填体单轴抗压强度预测研究

为快速有效确定充填体单轴抗压强度,以灰砂比、固体含量和养护龄期作为输入因子,充填体单轴抗压强度作为输出因子,建立一种粒子群优化算法(PSO),对支持向量机(SVM)参数进行全局优化的预测模型。结果表明,该模型预测性能较好,相关系数高(训练集为0.996,测试集为0.993),均方误差值低(训练集为0.000 393,测试集为0.000 726 13);通过室内试验对采集的216个试样进行预测与对比,证明模型可以准确地预测充填体单轴抗压强度,大幅度减少物理试验量及缩短试验周期,为矿山充填提供一种新思路。     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于粒子群算法的支持向量机训练和实现方法

在支持向量机的实现过程中,如果用于训练的样本数很大,则标准的二次型优化技术就很难应用。针对在大规模训练中算法收敛速度慢、复杂程度高等问题,提出用粒子群算法求解其中的二次规划问题的思想。试验结果表明,用粒子群算法来训练样本集具有容易实现、节省计算成本和提高收敛速度等优点。该方法已经应用在模式识别、数据挖掘、系统辨识与控制等领域。     

PSO-LIBSVM在污水水质建模中的应用

针对间歇式活性污泥法(SBR)复杂非线性等问题,常规神经网络建立的出水水质模型性能精度不高。采用支持向量机建立生化需氧量(BOD)软测量模型,并通过粒子群算法弥补支持向量机模型参数的不足。仿真结果表明,相对于BP神经网络、标准SVM模型,PSO-LIBSVM模型的误差小、精度高,降低了模型的复杂度并提高了其泛化能力,能达到较好的预测效果