双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

溪洛渡水电站岩体结构面参数取值研究

利用偏最小二乘回归对影响岩体结构面抗剪参数的因素进行分析,提取出对因变量影响强的成分,从而克服了变量之间的多重相关性影响;同时利用支持向量机在解决小样本非线性问题上的优势,加以运用.采用将偏最小二乘回归与支持向量机耦合的方法(PLS-SVM),把这两者相关联,以岩体结构面抗剪强度参数c、f为双因变量,天然密度ρ等3个因素为自变量,建立了岩体抗剪参数取值模型,并应用该模型对溪洛渡水电站工程岩体结构面抗剪参数进行了模拟和预测.研究结果表明,所提出的PLS-SVM模型模拟和预测精度令人满意,该方法为参数选取找到了一条新的途径.     

应用有效波长进行奶茶品种鉴别的研究

基于最小二乘支持向量机建模方法,提出应用奶茶在可见/近红外光谱谱区的有效波长进行其品种鉴别的新方法.用225个样本建模,75个样本进行预测.通过对光谱数据进行偏最小二乘法分析,根据载荷图和回归系数图选择鉴别奶茶品种的有效波长（EW）,并建立EW与最小二乘支持向量机（LS SVM）相结合的EW LS SVM模型,同时与应用主成分（PC）和小波变换（WT）建立的PC LS SVM和WT LS SVM模型进行判别准确率的比较.结果表明,应用EW、PC和WT建立的模型对建模样本的判别准确率均为100%,对预测集样本判别准确率分别为98.7%、98.7%和100%,获得了理想的鉴别效果.研究表明,应用可见/近红外光谱谱区的有效波长进行奶茶品种鉴别是可行的,且EW LS SVM模型能获得满意的鉴别精度.     

基于近红外光谱的汽油辛烷值神经网络模型研究

根据汽油组分的辛烷值与近红外光谱分析数据,用人工神经网络（ANN）的反向传播算法建立了汽油组分辛烷值神经网络预测模型,检验表明,ANN方法能准确地关联近红外光谱分析数据与汽油组分辛烷值的关系.马达法辛烷值预测平均误差为0.20;研究法辛烷值预测平均误差为0.18.     

近红外光谱结合模式识别方法用于食盐溯源研究

应用近红外光谱分析技术,结合偏最小二乘辨别分析(PLS-DA)和支持向量机(SVM)两种模式识别方法用于5种食盐的品种追溯识别研究.将5种食盐250个样品分别在波长范围400~1 198 nm光谱条件下扫描并获取数据.从得到的每种食盐的光谱数据中随机选取34个样品利用SVM建立模型,用模型对其余16个样本进行预测,用网格寻优的方法选择最优参数,然后进行分类预测,5种食盐的准确识别率分别达到100%、93.8%、87.5%、100%和93.8%.通过PLSDA方法构建模型时采用二阶求导对近红外光谱数据进行预处理,并用留一法交互检验确定PLS模型的隐变量数,该模型对5种食盐的预测准确率分别达到93.75%、100%、100%、100%和100%,结果表明PLS-DA预测效果较SVM稍好.该研究为实现不同品种食盐的鉴定以及成品食盐的品种溯源提供了一种参考方法.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

基于KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

基于近红外光谱的汽油辛烷值神经网络模型研究

根据汽油组分的辛烷值与近红外光谱分析数据,用人工神经网络(ANN)的反向传播算法建立了汽油组分辛烷值神经网络预测模型,检验表明,ANN方法能准确地关联近红外光谱分析数据与汽油组分辛烷值的关系。马达法辛烷值预测平均误差为0.20;研究法辛烷值预测平均误差为0.18。     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

近红外光谱无损检测技术中数据的分析方法概述

近红外光谱无损检测技术可用于品种鉴别与农产品的定性或者是定量的分析工作. 本文介绍了近红外光谱的基本原理及各类近红外光谱分析方法. 近红外光谱无损检测技术中数据分析方法是通过光谱定量分析找到光谱以及对应浓度的内在关系,建立相应的数学模型. 这些方法主要有偏最小二乘回归、主成分分析法、BP神经网络算法、支持向量机、K最近邻分类算法和线性判别分析法等. 通过这些分析模型的对比,研究表明:支持向量机将是近红外光谱数据分析方法未来一个重要的研究方向.     

基于近红外光谱无损快速检测面粉品质的研究

提出一种基于近红外光谱技术结合偏最小二乘法对面粉品质进行无损快速检测的方法．配制含滑石粉的面粉样品30个,采集样品在12500～4000cm^-1范围内的近红外漫反射光谱,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法（PLS）建立定量分析模型．结果表明所建定量分析模型的相关性能比较高,预测相关系数和预测均方根误差均符合要求．研究发现,近红外光谱技术用于快速无损检测面粉掺假是可行的．     

基于最小二乘支持向量机的纳米金免疫层析试条快速定量

通过光电反射式的光路扫描纳米金免疫层析试条测试线和质控线信号,研究基于最小二乘支持向量机的纳米金免疫层析试条快速定量方法,建立遗传算法优化的最小二乘支持向量机纳米金免疫层析试条定量研究方法。该方法对纳米金免疫层析试条甲胎蛋白(AFP)检验样本的统计数据中,样本相对均方差RMSE为12.2%,实验结果表明:遗传算法优化的纳米金免疫层析试条最小二乘支持向量机定量拟合模型有较好的整体性能和局部性能,适用于纳米金免疫层析试条的快速定量。     

基于灰色模糊聚类和LS-SVM加工中心的热误差补偿模型

为实现数控机床热误差的补偿,提出了基于灰色综合关联度的灰色-模糊聚类算法和最小二乘支持向量机（LS-SVM）对数控机床热误差元素进行优化建模的方法.该方法通过计算各温度测点和热误差数据间的灰色综合关联度,确定灰色相似矩阵,并利用最大树法,得到基于不同水平的聚类结果形成的谱系图,从而确定关键测温点,再利用最小二乘支持向量机方法构建数控机床热误差补偿模型.以MDV-55立式精密加工中心为实验对象进行建模补偿,结果表明,该方法不仅减少了温度传感器的数量,而且机床的加工精度也得到了显著改善.     

稀疏最小二乘支持向量机

针对大规模数据集的回归和分类问题，改进了最小二乘支持向量机.以再生核希尔伯特空间中的线性分析为基础，把样本集映射到再生空间中，然后张成再生空间的一个线性子空间，并求出这个子空间的基.利用基线性表示子空间中的其他元素，减小了求解矩阵的维数，通过求解规模相对较小的线性方程组完成对支持向量机的训练.采用该方法对较大规模的数据样本进行了回归和分类仿真试验，并与普通的最小二乘支持向量机进行比较.结果表明，采用该方法解决复杂非线性函数的回归和分类问题，不但可以得到稀疏解，而且计算速度比普通最小二乘支持向量机提高了约20％.     

Identification of green tea origins by near-infrared (NIR) spectroscopy and different regression tools

In this study, near-infrared (NIR) spectroscopy was applied to efficiently and non-destructively identify Shandong green tea origins coupled with three different regression tools. Analysis results indicated that partial least squares (PLS) had better performance than back propagation artificial neural network (BP-ANN) and support vector machine (SVM). For PLS, the accuracies of identification were up to 100% for both training and testing. The results sufficiently demonstrate that NIR spectroscopy can be efficiently utilized for the non-destructive identification of green tea origins.     

最小二乘大间隔孪生支持向量机

针对最小二乘孪生支持向量机（LSTWSVM）精度较低和可能存在的"奇异性"问题,提出了一种最小二乘大间隔孪生支持向量机（LSLMTSVM）.该算法在最小二乘孪生支持向量机的优化目标函数中引入了间隔分布,提高了算法的泛化性能.在目标函数中加入正则项,实现了结构风险最小化,进一步提高了分类能力.实验结果表明,最小二乘大间隔孪生支持向量机比已有的相关算法性能更优.     

基于最小二乘支持向量机的黏着状态辨识

针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。     

基于GA-LSSVM深基坑墙体侧斜滚动预测模型研究

针对基坑墙体侧斜数据的小样本和非线性特征,提出一种基于GA-LSSVM模型的基坑墙体侧斜的时间序列滚动预测方法。采用三次样条插值法对基坑墙体侧斜的时间序列进行预处理,运用遗传算法(GA)对最小二乘支持向量机(LSSVM)进行参数寻优,寻找最优参数模型,建立GA-LSSVM时间序列滚动预测模型,预测结果采用相关系数R和均方误差(Mean Squared Error,MSE)进行评价。该方法用于广州某地铁车站基坑墙体侧斜的预测分析,并和未经参数优化的最小二乘支持向量机预测模型进行对比分析,结果表明该预测模型的相关系数高,均方误差小,预测结果较为精准。