最小二乘支持向量机在软测量建模中的应用

支持向量机(Support Vector Machine．SVM)应用结构风险最小化理论，从训练集中选择一组特征子集。使得对特征子集的线性划分等价于对整个数据集的分割。支持向量机最初应用于模式识别，随后开始在信号处理、函数逼近等领域也得到了广泛发展。支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所需学习数据较少等优点。     

传感器动态建模的最小二乘支持向量机方法

提出了应用最小二乘支持向量机（LSISVMs）建立传感器动态模型的方法。LS-SVMs的训练过程遵循的是结构风险最小化原则，而不是通常神经网络的经验误差最小化原则，遵循该原则可获得更好的泛化性能，且不易发生局部最优及过拟合现象，因此可以克服应用人工神经网络建立传感器动态模型的缺陷。通过实例验证了该方法的实用性及可靠性。实验结果表明，即使传感器动态模型存在严重非线性，该方法也仍然有效。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

藉助最小二乘支持向量机的泵式中和过程建模研究

流程工业过程有众多关键性过程参数难以在线检测,是复杂的非线性和时变的动态系统,给过程优化策略的实施和机理模型的建立造成障碍。最小二乘支持向量机（LS—SVM）算法运算简单、精度高、速度快,采用该算法并以仿真平台对泵式中和这一典型化工过程进行建模研究,结果显示LS—SVM建立的模型拟合误差小,无论拟合精度还是预报时间都明显占优．可以作为中和过程的控制和建模的有效方法。     

基于最小二乘支持向量机的振动传感器故障诊断

针对目前机械故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法——最小二乘支持向量机（LS—SVM）,它能够得到现有信息下,不仅是样本数趋于无穷大时的最优解,因此,在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。本文介绍了LS-SVM的基本原理和分类方法,并利用其对振动传感器的常见故障进行诊断,结果表明了LS—SVM对设备故障具有良好的分类效果。     

发动机系统可靠性最小二乘支持向量机分析

准确分析系统可靠性,对于评估产品性能和制定维修策略起着至关重要的作用.采用单步前向预测方式,提出了基于最小二乘支持向量机分析发动机系统可靠性的方法.通过对比最小二乘支持向量机和三种神经网络方法的预测效果,验证了算法的有效性,实验结果表明最小二乘支持向量机能够提供较好的预测精度.在可靠性寿命分析中,为了提高分析的准确性和效率,通过程序化的方法绘制了威布尔概率纸,自动获取相关参数,并对比分析了最小二乘支持向量机预测结果与实际数据对发动机系统可靠性指标的影响,结果显示最小二乘支持向量机能够提供较准确的结果,可以作为系统可靠性分析的一种新方法.     

基于最小二乘支持向量机的疲劳裂纹扩展预测

根据腐蚀疲劳裂纹在扩展过程中受到多种环境因素影响,裂纹扩展预测难精确的特点,本文提出了基于遗传算法参数优化的最小二乘支持向量机方法来预测结构腐蚀疲劳裂纹扩展。该算法采用遗传算法优化最小二乘支持向量机的模型参数,从而避免了算法陷入局部最优解,实现了精确度高、泛化能力强的裂纹扩展预测模型。最后通过对已有文献的某试件裂纹扩展的实验数据进行建模分析。结果表明:基于遗传算法的最小二乘支持向量机预测方法优于神经网络算法、蚁群算法,预测误差较小,具有很好的预测能力。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于最小二乘支持向量机的磨损预测

针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题。同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。     

基于支持向量机的软测量方法及其在生化过程中的应用

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷，提出了一种改进的最小二乘支持向量机回归方法。根据样本点间欧氏距离的大小，去除原变量空间中大部分的样本点，从而获得回归模型的“稀疏”特性，大大简化模型复杂程度。同时，将这一方法应用于生物发酵过程，建立青霉素发酵过程中产物浓度的软测量模型，实现青霉素浓度的在线预估。实验研究结果表明，所提方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段。     

基于经验模分解和最小二乘支持矢量机的装载机载质量动态测量混合建模方法

针对同时实现装载机载质量动态测量的高精度和快速性这一复杂问题,在基于动力学分析所给出的测量方法的基础上,给出一种实现高精度快速性装载机载质量动态测量的混合建模方法,该方法采用经验模分解(Empirical mode decomposition,EMD)作为实测信号的前端处理应用,用于从动态暂态测量信号中提取有效信号;采用最小二乘支持矢量机(Least squaresupport vector machines,LS-SVM)对动态和不确定性因素进行自学习,实现载质量动态测量的速度补偿;同时为使最小二乘支持矢量机发挥最优性能,采用贝叶斯证据框架对其参数进行推断优化:最后,通过比例线性计算方法获知待测载质量值.仿真分析和试验结果表明,按照所建立的混合建模方法进行载质量动态测量其测量精度可稳定在l%以内,验证了该方法的有效性.     

基于十折法的最小二乘支持向量机参数选取方法

针对最小二乘支持向量机参数选取的问题,提出一种基于十折法的参数选取方法.将数据平均分成十组,采用一组作为训练特征,其它作为测试组,规定参数的可能范围,然后选取平方差最小的作为参数的取值.经实验证明结果令人满意,提出的方法是可行的.     

基于支持向量机的气敏传感器阵列信号处理方法

提出一种基于支持向量机(SVM)的气敏传感器阵列信号处理新方法。SVM作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,从而使得支持向量分类器具有良好的推广能力。该文首先讨论了SVM的基本原理,然后将其作为识别气体种类的分类器。该方法可以得到较高的识别率,能够识别复杂的模式。     

基于支持向量机的软测量方法在火电厂节能监测中的应用

针对国内火电厂热工过程中传统的测量方法不易测量参数的困难,探讨研究了软测量方法在火电厂节能监测中的最新进展与应用.提出了基于支持向量机的软测量方法.支持向量机是新的机器学习方法,较好地解决了小样本、非线性、高维数、局部极小点等实际问题.以其为依据建立了烟气含氧量的软测量模型,并将模型用于烟气含氧量的预估,结果证明支持向量机是软测量建模非常有效的方法.     

基于最小二乘支持向量机的调节阀建模方法

针对调节阀物理模型存在严重的非线性、时变性及参数不确定性的问题,提出了一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的调节阀流量及压力预测模型。根据调节阀的物理模型,分析了能够表征调节阀运行状态的相关参数,主要有阀前压力、阀后压力、开度、流量、负载压力、温度等;设计了调节阀数据采集实验系统,通过全排列组合试验分别确定了流量和压力预测时LS-SVM模型的最佳输入特征向量。实验结果表明,模型能够以较理想的精度预测流量及压力的输出,可为调节阀自动控制或故障诊断系统的设计提供指导。     

混合机构式机器人的动力学建模及参数优化

建立了一种混合机构式机器人的动力学模型 ,并研究了其运动学性能。基于动力学参数对其运行速度有较大的影响 ,采用改进遗传算法对动力学参数进行了优化 ,得到了动力学参数的最优解 ,为机构设计和系统控制提供了理论依据。     

卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。