LS_SVM和SVM在发酵过程建模中的比较

针对最小二乘支持向量机 (LS_SVM) 不需要指定逼近精度ε的特点, 比较了LS_ SVM与SVM两种方法利用生产数据为青霉素发酵过程建立的数学模型, 改进型GA分别为LS_ SVM和SVM选择参数值.实验证明:LS_ SVM建立的模型具有较高的拟合精度和泛化能力.如果ε过大时, SVM建立的模型的拟合精度和泛化能力不高;当ε过小时, 模型的拟合精度和泛化能力较高, 但耗时多.因此, LS_SVM更适合为发酵过程建模.     

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％.     

基于平面靶分割区间LS-SVM摄像机标定的研究

摄像机标定是视觉系统精确的前提.利用最小二乘支持向量机实现摄像机的标定不需确定摄像机具体的内部参数和外部参数.由于镜头的畸变主要由径向畸变引起,根据摄像机畸变的特点,对畸变区域进行划分,提出一种基于分割区间最小二乘支持向量机的摄像机标定法,对不同的畸变区域进行单独处理.该方法同BP神经网络和基本最小二乘支持向量机标定预测结果对比表明,基于分割区间最小二乘支持向量机的摄像机标定法速度快,实时性好,能有效提高标定精度.     

基于LS-SVM的模糊控制器研究

探讨了利用最小二乘支持向量机(LS-SVM)进行模糊控制器分析与设计研究的方法,提出了基于LS-SVM模型的模糊控制算法.该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点.仿真结果表明,LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.基于LS-SVM的模糊控制器具有很好的控制性能.     

基于LSSVM的污水处理过程建模

针对基准仿真1号模型(BSM1)有耗时久、结构复杂、不利于研究和优化等缺点,提出使用多输入多输出最小二乘支持向量机(LSSVM)对污水处理过程进行建模。先介绍BSM1,再在BSM1的基础上建立基于L S S V M的污水处理过程简化模型,最后将B S M 1的仿真结果与基于L S S V M的污水处理模型的仿真结果进行比较,验证得出基于L S S V M的污水处理过程模型运行效率更高。     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

基于SVC—ENN钢铁企业副产煤气消耗量的预测建模

摘要：针对钢铁企业副产煤气消耗量的机理模型难以对消耗量进行精确预测的问题,通过分析副产煤气消耗量特点,建立SVC—ENN模型对副产煤气的消耗量进行预测．根据企业实际数据应用模型,结果表明,对烧结工序、炼钢工序、连铸工序30个点和60个点进行测试分类准确率分别为90％,96．67％,98．33％;96．67％,95％,100％．根据分类结果建立模型进行预测,预测平均相对误差分别为0．8％,0．5％,0．9％;2．1％,0．8％,1．3％．所建模型分类准确,预测效果良好,适合副产煤气消耗量的预测．     

一种基于LS-SVM的CDMA信号接收机自适应核方法

给出了一种基于最小二乘支持向量机(LS-SVM)的码分多址(CDMA)系统信号接收机非线性自适应核算法。LS-SVM使用均方误差原则,优点是能应用于自适应在线的情况,基于LS-SVM的接收检测器复杂度适中,能够实现非线性分类,并能够自适应执行,而且仅仅只需要从用户那里得到较少的训练数据序列。     

基于电容层析成像和LS-SVM的空隙率测量

基于12电极电容层析成像（ECT）和最小二乘支持向量机（LS-SVM），提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像，结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入，利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时，首先辨识流型，然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程，提高了空隙率测量的实时性.实验结果表明该测量方法是有效的.     

基于LS-SVM回归对EMD中端点效应的研究

针对EMD中端点效应的问题,利用最小二乘支持向量回归机的预测特性对信号两端进行预测,从而对端点效应进行抑制。通过对仿真信号进行分析,探讨了端点延拓处理后的Hilbert谱。     

最小二乘支持向量机分类问题的算法实现

介绍了支持向量机理论、常用的支持向量机内积核函数以及最小二乘支持向量机算法.采用最小二乘法实现了支持向量机分类算法.数字仿真结果表明,该算法的识别正确率可达100%.     

最小二乘支持向量机在GPS高程转换中的应用

GPS高程是基于WGS84椭球的大地高,而实际工程中所需的高程一般是基于似大地水准面的正常高,两者相差一高程异常。本文结合某GPS控制网控制点的高程资料,利用最小二乘支持向量机（LS—SVM）结合径向基核函数（RBF）对高程异常进行拟合,从而实现GPS高程向正常高的转换。与二次曲面拟合法的转换结果进行比较可知LS--SVM法具有更高的转换精度。     

基于最小二乘支持向量机的时变信道建模

基于2.55 GHz市区微蜂窝多输入多输出信道实测数据,将机器学习中的最小二乘支持向量机（LS-SVM）算法应用于时变信道参数的建模中,建立了基于遗传算法（GA）优化的LS-SVM信道参数预测模型,对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习,并实现了准确预测;同时通过与反向传播神经网络模型以及传统的LS-SVM模型进行比较,验证了算法的有效性.基于GA优化的LS-SVM模型能够在有限数据量下对信道参数的变化有着良好的适应性,可实现非线性时变信道参数的准确预测.     

基于小波最小二乘支持向量机模型的系统边际电价预测

系统边际电价的影响因素复杂多变．构建了一种以小波函数作为核函数的最小二乘支持向量机算法模型,并成功预测了系统边际电价．算例仿真结果表明,该模型不仅具有良好的泛化能力,而且能有效地提高电价预测精度．     

SVM在教师教学质量评价中的应用

教师教学质量评价其目的是为了督促教师不断提高教学实践能力,而传统方法利用主观权重计算评价成绩其合理性受到质疑,需要寻求一种更加科学、合理的评价方法.支持向量机(SVM)是一种新的机器学习方法,该方法有较好的泛化能力,在解决小样本、非线性及多指标评价中有比较大的优势.SVM应用于教师教学质量评价是一种很好的尝试,使用SVM方法根据教师评价指标来估算教师的教学质量好坏,其评价结果更趋合理.     

基于最小二乘支持向量机的岩土本构关系曲线拟合

最小二乘支持向量机（Least Square Support Vector Machine,简称LSSVM）是对支持向量机（SVM）的一种改进,是继人工神经网络（ANN）之后又一新的机器学习方法。利用LSSVM拟合了利用Duncan-Chang本构模型的E-V模式数值模拟岩土的三轴实验得到的应力-应变函数曲线。通过对比分析,验证了LSSVM用于岩土本构关系曲线拟合的可行性和精确性。     

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。     

基于支持向量机的曲线重建方法

基于统计学习理论(SLT)的支持向量机(SVM)在高维空间中表示复杂函数是一种有效的通用方法，也是一种新的、很有发展前景的机器学习算法。文中简要介绍了基于支持向量机的理论，并在此基础上提出了一种基于支持向量机(SVM)的曲线重建算法，最后给出了实验，证明了该方法的有效性。     

自适应加权最小二乘支持向量机回归及应用

针对软测量建模样本中数据难以避免存在粗差、以及粗差数据对模型性能的影响,提出了一种自适应加权最小二乘支持向量机(AWLS-SVM)回归建模方法。AWLS-SVM基于建模样本数据,根据最小二乘支持向量机回归模型的拟合残差确定各样本的残差权值,根据样本的空间分布确定杠杆权值,进而通过迭代运算,自适应确定各建模样本的权值,在有效减小粗差点对模型性能影响的同时,保留了其所提供的有效信息。仿真实验表明,AWLS-SVM能有效克服粗差样本数据的影响,其模型的预测性能明显优于LS-SVM和径向基函数网络。最后,应用AWLS-SVM建立粗对苯二甲酸中4-CBA含量软测量模型,获得满意结果。