边坡系统可靠度分析智能响应面法框架

多失效模式情况下,边坡体系可靠性分析较为复杂.提出了基于计算机试验结合机器学习理论建立边坡系统(体系)可靠度分析智能响应面法的一般框架.边坡体系可靠性分析智能响应面法步骤包括:样本生成、模型参数优化、智能响应面建立、蒙特卡罗模拟计算失效概率.对支持向量机、高斯过程等多种智能机器学习理论用于建立智能响应面的性能进行了对比分析.通过典型边坡的体系可靠度分析,验证了小样本情况下智能响应面法在边坡体系可靠性分析中的可行性和优越性.     

结构可靠度分析的响应面法和随机响应面法的比较

从拟合功能函数方法、计算精度与效率、收敛性等方面对响应面法和随机响应面法进行了系统地分析.算例表明:与响应面法相比,随机响应面法实现了真正意义上的非侵入式分析.响应面法采用二次多项式响应面函数仅仅在验算点附近能较好地拟合真实功能函数,而随机响应面法采用高阶Hermite随机多项式,能在整个空间上很好地拟合真实功能函数.当随机变量个数较少时,随机响应面法的计算精度和效率均优于响应面法.并且随机响应面法可进行自身的收敛性分析,确定最优阶次的计算结果作为精确解,其收敛性也优于响应面法.     

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MATLAB的支持向量机结构可靠度分析方法

针对复杂结构极限状态方程一般难以显式表达的特点,提出了基于MATLAB的支持向量机结构可靠度分析方法.该方法利用MATLAB计算平台,采用均匀抽样法对随机变昔进行抽样,形成结构响应与随机变量的样本值.通过对支持向量机进行训练,利用其高度非线性映射能力,模拟结构极限状态方程,应用几何法计算结构可靠指标.研究表明,采用支持向量机能够很好地拟合结构极限状态方程,计算结构可靠指标具有很高的精度.     

基于LS-SVM苯乳酸发酵过程的建模

为了解决苯乳酸发酵过程中关键生物参数难以直接在线检测的问题,提出了基于最小二乘支持向量机（LS-SVM）的软测量建模方法. 通过使用径向基核函数来对菌体浓度、苯乳酸浓度建立模型,对建模的理论进行了分析和并进行了仿真研究,同时还采用支持向量机对过程进行了建模,对两种方法的优缺点进行了比较. 结果表明,基于LS-SVM的建模方法预测精度高、跟踪性能好,能提高在线预估的效率,非常适合于苯乳酸发酵过程的在线预估.     

基于LS-SVM的虚拟FDR及其在操纵面偏角信号重构中的应用

为重构操纵面偏角信号,提出了基于最小二乘支持向量机(LS-SVM)的虚拟飞行数据记录器设计.在设计中,LS-SVM被作为仿真器和重构器.仿真器用来模拟飞机的飞行动态特性,重构器用于来重构主操纵面偏转信号.仿真结果表明:本设计是重构操纵面偏转参数的强有力工具,在飞行事故调查中有非常广阔的应用前景.     

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。     

结构可靠度分析的人工智能响应面法及程序

为了进行各种极限状态方程不明确的大型结构可靠度分析,提出了人工智能响应面法.利用BP网络来模拟响应面,基于遗传算法的优化法来进行可靠指标计算,确定性有限元分析采用ANSYS软件进行.综合VC与Matlab混合编程技术、基于VC和APDL的ANSYS二次开发技术及M atlab的遗传算法(GA)和神经网络(NN)工具箱函数,编制了可以适应各种复杂工程结构的可靠度分析程序.算例分析表明本文方法计算精度高.本文方法与程序适用于随机变量数目较多,功能函数为隐式时的复杂结构可靠度分析.     

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.     

基于最小二乘支持向量机的模糊时序分析方法

利用最小二乘支持向量机良好的分类和函数估计能力，提出了一种新的模糊时序分析方法。该方法包括两部分：在模糊时序处理部分通过建立启发式规则、模糊变量、论域、模糊集合和隶属度函数，完成历史数据的模糊化；最小二乘支持向量机处理部分替代传统的模糊关系计算，对模糊化的历史数据进行分析，然后去模糊化得到最后的预测结果。与多种传统模糊时序分析方法的对比试验表明，该方法充分利用了支持向量机较好的推广性能等优点，具有更高的精度和较好的泛化效果。     

基于最小二乘支持向量机的锅炉对流受热面清洁吸热量预测

针对神经网络拓扑结构复杂、易出现过度训练、仅获局部最优解的问题,为提高锅炉对流受热面清洁时潜在吸热量预测的准确度,更好地进行受热面污染监测,提出了一种新的基于最小二乘支持向量机的对流受热面清洁时潜在吸热量预测方法。依据最小二乘支持向量机预测原理,建立对流受热面清洁时潜在吸热量最小二乘支持向量机预测模型,同时建立神经网络预测模型进行对比研究,实例研究结果表明,最小二乘支持向量机较神经网络具有更高的拟合度,预测各性能都高于神经网络,其在对流受热面清洁时潜在吸热量预测方面明显优于神经网络,将成为对流受热面清洁时潜在吸热量预测也即受热面污染监测方面更为有利的工具。     

A reliability assessment method based on support vector machines for CNC equipment

With the applications of high technology,a catastrophic failure of CNC equipment rarely occurs at normal operation conditions.So it is difficult for traditional reliability assessment methods based on time-to-failure distributions to deduce the reliability level.This paper presents a novel reliability assessment methodology to estimate the reliability level of equipment with machining performance degradation data when only a few samples are available.The least squares support vector machines(LS-SVM) are int...     

基于LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

可靠性分析的改进加权响应面法

为了克服响应面法(Response surface method简称RSM)在计算大规模工程时效率低下和计算可靠性指标敏感度时偶尔误差大的问题,提出一个高效率的改进加权响应面方法.此方法首先构造一次响应面函数,然后在可能存在失效点的被缩小范围内采用轴向采样来得到样本点,构造二次响应面函数;通过从之前的样本组里增加新的样本点,给予靠近失效点的样本点更高的权重来更新响应面函数.通过几个算例表明:比较双加权响应面方法,此方法具有更高的准确性和计算效率.     

基于LS-SVM与模糊补准则的特征选择方法

针对传统特征选择算法采用单一度量的方式难以兼顾泛化性能和降维性能的不足,提出新的特征选择算法(least squares support vector machines and fuzzy supplementary criterion, LS-SVM-FSC)。通过核化的最小二乘支持向量机(least squares support vector machines, LS-SVM)对每个特征的样本进行分类,使用新的模糊隶属度函数获得每个样本对其所属类的模糊隶属度,使用模糊补准则选择具有最小冗余最大相关的特征子集。试验表明:与其他10个特征选择方法与7个隶属度决定方法相比,所提算法在9个数据集上都具有很高的分类准确率和很强的降维性能,且在高维数据集中的学习速度依然很快。