基于最小二乘支持向量机的传感器非线性动态补偿

提出了一种基于最小二乘支持向量机的非线性传感器动态测量误差的校正方法，使得通过该方法补偿的传感器具有理想的输入输出特性。先将传感器的非线性动态系统分解成线性动态子环节和非线性静态子环节串联；与之对应，非线性动态补偿过程也包含2个阶段：线性动态补偿和非线性静态校正。然后，通过函数展开将补偿器的非线性传递函数转换为等价的类线性形式一中间模型；再通过LS-SVM回归算法求取中间模型参数；最后，推导出中间模型参数与补偿器2个子模型参数之间的关系，并通过该关系实现非线性静态校正和线性动态补偿环节的同时辨识。与常规非线性动态补偿方法比较，该方法优点是明显的：（1）只需进行一次动态标定实验；（2）能给出非线性动态补偿器的数学解析表达式；（3）充分利用LS—SVM的优点，使辨识的补偿器具有更好的抗干扰能力。仿真与实际实验结果均表明该传感器非线性动态补偿方法有效。     

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。     

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。     

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。     

数控机床热误差的动态自适应加权最小二乘支持矢量机建模方法

为消除数控机床热误差对加工精度的影响,提出基于动态自适应加权最小二乘支持矢量机的数控机床热误差建模方法.为构建机床热误差模型,对一台XK713数控铣床进行建模试验,采用智能温度传感器与激光位移传感器分别获取机床温度值与主轴变形量.运用动态自适应算法,优化选择建模过程中的参数;对采样数据进行初始最小二乘支持矢量机建模,根据误差变量确定权重系数,得到基于加权最小二乘支持矢量机的数控铣床热误差模型.试验结果表明,基于动态自适应最小二乘支持矢量机的数控机床热误差建模方法精度高,泛化能力强,优于未加权最小二乘支持矢量机方法与传统最小二乘法.获得的模型可用于数控机床热误差补偿,以提高数控机床的加工精度.     

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。     

利用最小二乘支持向量机实现无线传感器网络的目标定位

针对接收信号强度值(RSSI)的波动直接影响无线传感器网络(WSN)目标定位准确度的问题,研究了利用最小二乘支持向量回归机(LSSVR)实现WSN的目标定位的基本原理,分析了固定探测节点和探测节点变化时的LSSVR建模定位特性,提出了基于自适应LSSVR回归建模实现WSN目标定位的方法(TL-AML)。该方法综合考虑目标定位准确度和实时性,初始时刻首先建立LSSVR回归模型来定位目标,根据后面任一时刻探测节点与前一时刻回归模型建模节点的包含关系决定是否重新建模,实现自适应建模定位过程。基于CC2430无线传感网络实验平台,进行了相关TL-AML方法性能实验,通过合理选取建模参数,TL-AML方法的目标定位均方根误差(RMSE)比MLE方法减小34%～37%,比LSE方法减小60%～65%。建模参数在较大范围内取值时,TL-AML方法目标定位准确度比MLE和LSE方法有明显提高。在LSSVR建模情况下,TL-AML方法目标定位耗时0.2～0.4s,无需重复建模时,目标定位耗时减少到0.04s。实验结果表明,TL-AML方法能够显著减小RSSI波动对目标定位结果的影响,提高目标定位准确度,减少目标定位时间,且具有较好的目标定位实时性。     

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.     

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。     

最小二乘支持向量机在空调温控系统中的应用

温度控制系统是空调控制系统的核心,传统的温控系统采用PID调节和普通模糊控制。利用最小二乘支持向量机（Least Squares SVM,LS-SVM）理论,建立模糊控制器,通过与一般模糊控制仿真实验结果进行比较,验证了其在温控系统的有效性。     

最小二乘支持向量机模型的简化结构研究

针对LS-SVM模型复杂度高的问题．本文提出了一种简化模型的思路。在保证LS-SVM模型性能不变的前提下,通过该模型的少量输入输出样本,利用LS-SVM建模进一步拟合该模型。使得到的新模型的复杂度降低。仿真试验表明。本文给出的模型简化方法是有效的。     

基于最小二乘支持向量机的图像配准研究

本文提出了一种基于最小二乘支持向量机(LS-SVM)的图像配准方法.在已知控制点匹配对的前提下,利用LS-SVM的回归特性估计变换模型,然后根据该模型进行重采样和变换,实现图像的配准.该方法的特点在于:在结构风险最小化(SRM)的原则下,最小化模型泛化误差的上界,而不是最小化控制点处的均方误差.实验结果表明了该方法去除图像几何形变的有效性,并且该方法可以自适应地校正由于控制点的定位精度不高而引起的误差,比传统表面样条方法的效果更好.     

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。     

基于支持向量机的动态测量误差非线性组合预测方法

针对目前动态测量误差序列预测方法的局限性,提出了动态测量误差序列的支持向量机非线性组合预测方法,以进行误差修正,提高动态测量精度.该方法首先利用支持向量机和小波神经网络对动态测量误差序列分别进行预测,然后再运用支持向量机对单项预测结果进行非线性组合.理论分析和预测实例表明:该方法的预测精度明显高于传统的单一预测方法,具有很强的学习与泛化能力,在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很好的应用价值.     

基于PSO-LSSVM的网络化制造系统安全检测

为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.     

A least squares support vector machine model for prediction of the next day solar insolation for effective use of PV systems

Accurate prediction of daily solar insolation has been one of the most important issues of solar engineering. The amount of solar insolation on a given location is a vital data for photovoltaic plants. Systems efficiency is easily affected by the changes in solar radiation so, this study is aimed to develop a Least Squares Support Vector Machine (LS-SVM) based intelligent model to predict the next day’s solar insolation for taking measures. Daily temperature and insolation data measured by Turkish State Meteorological Service for three years (2000–2002) were used as training data and the values of 2003 used as testing data. Numbers of the days from 1st January, daily mean temperature, daily maximum temperature, sunshine duration and the solar insolation of the day before parameters have been used as inputs to predict the daily solar insolation. The simulations were carried out with SVM Toolbox of MATLAB software. As a conclusion the results show that LS-SVM is a good method in estimating the amount of solar insolation of a given location with 99.294% accuracy.