基于最小二乘支持向量机的压力传感器温度补偿

压力传感器的输出不仅随压力变化,而且易受环境温度的影响,因而限制了传感器的测量精度。为了克服压力传感器的上述缺陷,本文提出了一种基于最小二乘支持向量机的温度补偿方法,并用虚拟仪器技术予以实现。与常用的误差反传神经网络方法相比,最小二乘支持向量机可获得更好的泛化性能,不易发生局部最优及过拟合现象。因此该方法能有效地消除温度对传感器输出的影响。实例表明,补偿后的压力传感器具有更高的测量精度和温度稳定性。     

基于最小二乘支持向量机的复杂气象条件下绝缘子等值附盐密度的预测

以"光传感器输变电设备盐密在线监测系统"提供的数据为依据,建立了一种基于最小二乘支持向量机的智能预测模型,该模型以温度(T)、相对湿度(H)、风速(WV)、气压(P)、雨量(R)等五个变量为输入参数,等值附盐密度为输出参数。用网格搜索法对最小二乘支持向量机最优参数的进行自动选取,提高了预测的快速性和准确性。结果表明该模型预测的等值附盐密度与实测结果基本一致。     

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中,利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化,首先根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,不但很好地避免温度测点的相互影响,保证模型精度,而且节约了硬件成本,提高了辨识建模速度。     

基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿

针对扩散硅压力传感器温度漂移的问题,文中提出了一种基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的温度补偿模型。通过对扩散硅压力传感器做二维标定实验,利用AD590集成温度传感器监测实验环境温度,建立PSO-LSSVM模型。最小二乘支持向量机的惩罚因子和核函数的选取会直接影响到模型的预测精度,PSO-LSSVM模型利用粒子群算法优化最小二乘支持向量机模型的惩罚因子和核函数的参数,改善了传统的最小二乘支持向量机模型对参数选取耗时耗力且未必找到全局最优解的缺陷。实验结果表明,经该模型补偿后的零点温度系数和灵敏度温度系数都减小了一个数量级,且预测值与标定值的均方误差的数量级达到10~(-6),实现了温度补偿并改善了预测精度。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于最小二乘支持向量机的PID参数整定研究

对PID控制提出了一种基于支持向量机的参数整定方法.用支持向量机辨识系统的非线性关系,并对之进行线性化.采用最小二乘的方法获取PID控制器的最优参数.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

LCD—GA—LSSVM集成分类器及其在齿轮故障诊断中的应用研究

针对齿轮故障诊断模式识别问题,在综合局部特征尺度分解、遗传算法及最小二乘支持向量机学习算法各自优点的基础上,提出了一种新的局部特征尺度分解—遗传算法—最小二乘支持向量机(LCD-GA-LSSVM)集成分类器模型。在该模型中,利用局部特征尺度分解算法实现对样本数据的特征选取;最小二乘支持向量机实现样本特征向量与故障模式之间的非线性映射;遗传算法用于实现对最小二乘支持向量机的参数进行优化以使其泛化能力达到最优。经过实验分析与验证,LCD-GA-LSSVM集成分类器对齿轮正常、齿根裂纹、齿面磨损、轮齿折断、局部齿形误差、复合故障等6种运行状态120组测试样本的识别率达到了93.33%。     

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。     

基于LS-SVM的传感器阵列多维信号智能提取方法研究

传感器阵列可同时对多个信号进行测量,而对多个输入信号进行解耦和并行提取是其关键。提出一种基于最小二乘支持向量机(LS-SVM)的传感器阵列输入信号逆向提取智能方法,该方法基于结构风险最小化,能够逼近任意复杂的非线性关系且泛化能力强。仿真试验表明,该方法具有拟合精度高、运算速度快、容易实现等优点,适用于对传感器阵列多个输入信号进行解耦和并行提取。     

基于最小二乘支持向量机左右逆协同的无人机解耦控制

针对无人机飞行控制系统存在非线性耦合的问题,提出了一种基于最小二乘支持向量机(LSSVM)的左右逆协同解耦控制方法。该方法根据Interactor算法,通过对无人机系统输出进行微分,构建右逆系统,从而证明其可逆性。由于无人机右逆系统中存在旋翼桨叶总距俯仰角不可直接测量的局限,因而采用基于内含传感器左逆的方法间接测量,然后将其代入右逆系统中,得到左右逆协同控制器。最后利用最小二乘支持向量机建立左右逆协同控制器模型,并将其串联在原系统之前,与积分器共同构成伪线性复合系统实现无人机线性化与解耦。仿真结果显示,该方法对无人机垂直飞行的速度和旋翼桨叶总距俯仰角具有较高的解耦控制性能,对外部扰动具有良好的鲁棒性。     

基于最小二乘支持向量机逆系统方法应用研究

针对流浆箱的内部机理模型,提出了一种基于最小二乘支持向量机逆系统的解耦控制方法。利用最小二乘支持向量机辨识得到流浆箱系统的逆模型,并采用逆系统思想,将流浆箱非线性系统解耦成多个相互独立的单入单出伪线性子系统。采用MATLAB对该解耦控制方法的有效性进行仿真验证,结果表明,该控制方法抗干扰性强,结构简单,工程上易于实现。     

一种基于FPGA的新的SVM硬件实现方法

提出了一种基于递归神经网络的实现最小二乘支持向量机的FPGA串行计算方法,与已有的并行计算方法相比,该方法利用了递归神经网络的并行性及最小二乘支持向量机简化的约束条件的优点,在保证计算速度的同时,明显提高了FPGA的硬件资源利用效率,能够适应大规模训练样本的情况。实验结果表明,由于该方法具有灵活的串行计算、并行传输的特点,在较少使用FPGA硬件资源的同时,计算速度不会有明显变化,可有效地用硬件实现支持向量机。     

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。     

变频调速液压电梯中单片机控制器的设计与优化

针对采用PWM方式来实现D/A输出方式,使得模拟电压信号的精度和线性度达到预定的标准,采用增加一阶阻容滤波的方法,改善了控制器输出控制电压品质,又采用最小二乘支持向量机优化方式来校正了单片机控制器的输出误差.通过液压电梯控制实验,验证了优化后的单片机控制器对改善变频调速技术性能具有可用性.     

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。     

相对变换主元分析的变压器油击穿电压预测

针对变压器油击穿电压在线测量困难,数据噪声和孤立点影响支持向量机预测精度的问题,提出了基于相对变换(RT)主元分析(PCA)的变压器油击穿电压预测方法。首先,通过相对变换将原始数据空间变换到相对空间,抑制噪声和孤立点对模型精度的影响;然后在相对空间进行主元分析,降低相对空间维数,使提取的主元特征更具有代表性和更大的变化度;最后,将提取的主元作为最小二乘支持向量机(LSSVM)的输入,建立变压器油击穿电压的最小二乘支持向量机预测模型。与LSSVM、RT-LSSVM和PCA-LSSVM的对比实验结果表明,本文提出的方法具有较优的预测精度和泛化能力。