基于改进LS-SVM的球磨机制粉出力软测量建模

针对火电厂双进双出钢球磨直吹式制粉系统出力较难直接测量的问题,本文在Suykens的最小二乘支持向量机(least squares support vector machine,LS-SVM)稀疏化算法的基础上,提出了一种更好的改进方式,并将改进后的LS-SVM算法对双进双出钢球磨直吹式制粉系统出力建立软测量模型,通过对算法改进前后模型仿真结果的对比分析可知,改进后的LS-SVM算法学习收敛速度更快,误差更小,更加适用于在线学习,并为制粉系统的在线优化控制打下了良好的基础。     

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.     

基于LS-SVM的水泥熟料煅烧过程f-CaO软测量研究

针对水泥厂熟料质量指标f-CaO含量难以在线测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)的软测量建模方法。仿真实验研究表明,最小二乘支持向量机建模具有良好的学习能力和泛化性能,且对数据样本的依赖程度低,是一种有效的软测量建模方法。给出的以DCS系统和SQL数据库为基础,通过Visual C 6.0编程的软测量实现方案,符合国内水泥厂实际情况,易于实现。建立的软测量模型和给出的软仪表实现方案对于保证水泥熟料质量和实现回转窑烧成系统的优化控制具有重要意义。     

基于LS-SVM的软测量模型及其工业应用

最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种扩展,其算法简练,计算速度快;利用LS-SVM进行特征提取,可以有效地降低输入样本维数,缩减模型的运算时间,同时LS-SVM又具有优越的非线性回归能力;为实现氧化铝高压溶出过程中苛性比值在线测量,建立了一种基于LS-SVM的软测量模型,并将此模型应用于实际生产;工业数据的仿真结果表明该模型具有较高的预测精度和范化能力,能满足在线检测、实时控制的要求。     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

加权LS-SVM的铜液温度软测量研究

针对废杂铜冶炼过程炉膛温度难以准确测量的问题,提出一种基于加权LS-SVM的炉膛温度软测量方法。该方法通过对过程主要输入输出变量的误差平方赋予不同权重用于克服异常训练样本的影响,并利用粒子群算法对加权LS-SVM的参数进行寻优,增强了动态模型对非线性时变特性的适应能力,提高了温度预测的准确性。最后,通过对废杂铜冶炼过程的实际运行数据进行仿真研究,验证了方法的有效性。     

基于支持向量机的软测量技术及其应用

支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。     

基于LS-SVM的乙醇浓度软测量在酵母生产中的应用

在酵母生产过程中,乙醇浓度是一个很重要的控制参数,但目前的检测手段多为离线人工测量,不能实现乙醇浓度的测控自动化,是束缚生产效率的重要原因。本文采用最小二乘支持向量机(LS-SVM)方法进行回归估计,完成了对乙醇浓度的软测量。试验结果表明基于LS-SVM的软测量方法可以很好地实现乙醇浓度在线自动测量。     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

混合核函数稀疏LS-SVM软测量建模与应用

针对最小二乘支持向量机存在的稀疏性欠缺和单核函数局限性问题,本文提出一种基于混合核函数稀疏最小二乘支持向量机的软测量建模方法.该方法使用多项式核函数和RBF核函数线性加权构成混合核函数,兼顾最小二乘支持向量机的全局拟合能力与局部拟合能力,以矢量基学习作为稀疏解算法,改善最小二乘支持向量机的稀疏性,在精简模型结构的同时,避免冗余信息中的噪声过多的拟合到模型参数中,进而采用粒子群算法优化模型部分参数.将此方法分别应用于Mackey- Glasss混沌模型的时间序列预测和乙烯精馏塔塔釜乙烯浓度预测,应用结果表明该方法较最小二乘支持向量机、稀疏最小二乘支持向量机以及混合核最小二乘支持向量机具有更好的泛化效果和预报精度,兆示出其良好的应用潜力.     

改进的模糊最小二乘支持向量机模型

针对最小二乘支持向量机对噪声或孤立点敏感的问题,提出一种融合先验知识的模糊最小二乘支持向量机模型。在训练过程中考虑样本的噪声分布模型,结合样本紧密度策略,自动生成相应样本的模糊隶属度。实验结果表明,该模型对噪声样本具有较好的分类精度。     

最小二乘支持向量机算法研究

1 引言支持向量机(SVM,Support Vector Machines)是基于结构风险最小化的统计学习方法,它具有完备的统计学习理论基础和出色的学习性能,在模式识别和函数估计中得到了有效的应用(Vapnik,1995,1998)。支持向量机方法一方面通过把数据映射到高维空间,解决原始空间中数据线性不可分问题;另一方面,通过构造最优分类超平面进行数据分类。神经网络通过基于梯度迭代的方法进行数据学习,容易陷入局部最小值,支持向量机是通过解决一个二次规划问题,来获得     

基于KPCA和最小二乘支持向量机的软测量建模

为了解决化工领域数据建模小样本、不适定性、非线性等问题,提出了一种基于核主元分析(KPCA)和最小二乘支持向量机的软测量建模方法,用核主元分析对输入变量进行数据压缩,消除变量之间的相关性,运用PSO算法对核参数进行了寻优,通过交叉验证的方法对支持向量机进行参数选择.将其用于双酚A(BPA)软测量建模的研究结果表明:方法具有学习速度快、泛化能力强等优点,为BPA软测量建模的在线实施提供了方便.     

基于最小二乘支持向量机的SOC估计方法

为解决一般电池模型对于不同健康状况电池泛化性能较差的问题,利用机器学习中最小二乘支持向量机(LSSVM)的原理,通过提取锂电池运行过程中的外部参数构建LSSVM模型。引入粒子群优化算法(PSO)来提高训练的效率与模型准确性~([1])。通过恒流放电实验比较了几种核函数和几种优化算法的估计效果,验证了PSO-LSSVM模型在复杂运行状况下电池荷电状态(SOC)估计的有效性。并与其他方法进行比较,进一步验证方案的优越性。该方法为新能源动力汽车的进一步发展提供了有效的技术支持。     

最小二乘支持向量机的一种稀疏化算法

介绍了一种稀疏化最小二乘支持向量机的剪枝算法。由于支持值图谱中小的支持值所对应的训练样本在算法执行阶段所起的作用较小,所以删除它们不会引起性能的显著下降。仿真实验表明,该算法不但简单、易于实现,而且能够保持良好的分类性能。     

Digital Least Squares Support Vector Machines

This paper presents a very simple digital architecture that implements a Least-Squares Support Vector Machine. The simplicity of the whole system and its good behavior when used to solve classification problems hold good prospects for the application of such a kind of learning machines to build embedded systems.     

基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群（APSO）优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。     

New Least Squares Support Vector Machines Based on Matrix Patterns

Support vector machine (SVM), as an effective method in classification problems, tries to find the optimal hyperplane that maximizes the margin between two classes and can be obtained by solving a constrained optimization criterion using quadratic programming (QP). This QP leads to higher computational cost. Least squares support vector machine (LS-SVM), as a variant of SVM, tries to avoid the above shortcoming and obtain an analytical solution directly from solving a set of linear equations instead of QP. Both SVM and LS-SVM operate directly on patterns represented by vector, i.e., before applying SVM or LS-SVM to a pattern, any non-vector pattern such as an image has to be first vectorized into a vector pattern by some techniques like concatenation. However, some implicit structural or local contextual information may be lost in this transformation. Moreover, as the dimension d of the weight vector in SVM or LS-SVM with the linear kernel is equal to the dimension d ₁ × d ₂ of the original input pattern, as a result, the higher the dimension of a vector pattern is, the more space is needed for storing it. In this paper, inspired by the method of feature extraction directly based on matrix patterns and the advantages of LS-SVM, we propose a new classifier design method based on matrix patterns, called MatLSSVM, such that the new method can not only directly operate on original matrix patterns, but also efficiently reduce memory for the weight vector (d) from d ₁ × d ₂ to d ₁ + d ₂. However like LS-SVM, MatLSSVM inherits LS-SVM’s existence of unclassifiable regions when extended to multi-class problems. Thus with the fuzzy version of LS-SVM, a corresponding fuzzy version of MatLSSVM (MatFLSSVM) is further proposed to remove unclassifiable regions effectively for multi-class problems. Experimental results on some benchmark datasets show that the proposed method is competitive in classification performance compared to LS-SVM, fuzzy LS-SVM (FLS-SVM), more-recent MatPCA and MatFLDA. In addition, more importantly, the idea used here has a possibility of providing a novel way of constructing learning model.     

基于最小二乘支持向量机的飞行事故预测

为了对空军飞行安全形势进行科学的分析和预测,针对反映空军飞行安全形势的重要指标之一-飞行事故万时率,采用了最小二乘支持向量机(LS-SVM)的时间序列非线性预测模型,并对其建模过程和参数选择问题进行了分析和研究.文中利用美国空军A类飞行事故的历史数据对该方法进行了验证,预测精度较高,方法可行.     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。