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。     

油液监测数据的人工神经网络及支持向量机预测方法分析

作为集中参数预报方法，人工神经网络和支持向量机对于参数变化不大的系统具有广泛的适用性。本文对其在油液监测领域进行趋势预测时进行了系统的分析，内容包括：神经网络的选择、预测方案的设计、预测策略的选择及与支持向量机的比较。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

基于支持向量机数控机床切削能耗预测方法研究

数控机床在制造业中耗能比例大,研究其耗能至关重要。在数控机床切削过程中,切削参数的不同直接影响数控机床切削能耗大小。基于此分析切削过程中切削速度、进给量和切削深度等切削参数对数控机床切削能耗的影响,搭建基于支持向量机数控机床能耗与切削参数的模型。实例对比验证了基于支持向量机数控机床能耗预测方法的可行性,简化了传统经验公式繁琐的计算过程,相对于BP神经网络法比较精确,为数控机床节能问题、能耗定额等实际问题提供了基础理论依据。     

基于支持向量机的葡萄酒质量预测

通过葡萄酒的理化指标来对葡萄酒质量进行预测,一方面可以减少因为评酒师主观原因造成的偏差,另一方面可以根据预测结果调整酿造过程提高成酒品质。介绍了支持向量机的原理,并通过实验进行测试验证了通过支持向量机对葡萄酒理化指标数据进行建模分析从而预测葡萄酒质量的方法是有效可行的。     

基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于支持向量机的机电产品再制造成本预测方法

退役机电产品再制造成本是其再制造决策的主要依据之一。针对再制造成本的随机性、不确定性以及可用数据样本有限的问题,提出基于支持向量机的再制造成本预测方法。分析了再制造成本的构成要素、影响因素及其特点,将废旧产品经拆卸、检测后零部件分为可直接再利用、可再制造加工及替换处理等三类,结合其可再制造性,以零部件再制造加工比率、零部件替换比率及技术性指数为输入,再制造成本为输出,构建基于支持向量机的再制造成本预测模型,对机械式变速箱的再制造成本进行了预测,并与BP神经网络预测结果进行对比分析。结果表明,支持向量机预测模型能很好地预测再制造成本,并且预测精度比BP神经网络更好,可为再制造成本的准确预测提供参考。     

非线性控制系统的支持向量机辨识建模研究

针对非线性控制系统辨识建模难的问题,系统研究了基于支持向量机的非线性控制系统的辨识建模理论和方法,然后利用回归支持向量机(Support Vector Regression,SVR)设计了一个非线性控制系统的辨识建模系统.仿真试验结果表明,SVR具有很高的建模精度和较强的泛化能力,从而验证了该辨识方法的有效性和先进性.     

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。     

基于非线性支持向量机的公交车自燃检测研究

针对近年来公交车自燃事故频发、实时火灾检测困难的问题,引入非线性支持向量机判别公交车自燃的方法,建立了公交车自燃仿真模型,并通过仿真数据对非线性支持向量机进行了训练和验证. 验证表明:当公交车发动机舱室内有自燃情况发生时,该方法能够迅速、准确地进行识别,对自燃初始阶段具有良好的辨别能力.     

基于支持向量机模糊推理的二级倒立摆控制

本文提出了一种用于非线性系统控制的支持向量机模糊推理模型.该模型利用支持向量机回归的原理,从训练数据中提取模糊规则并进行简化;采用核函数来描述模糊推理系统,该模糊推理系统具有不必事先确定模糊规则数目、良好的泛化能力等优点.使用该模型对直线二级倒立摆系统构造模糊控制器并进行了实验研究,研究结果表明这种新的模糊规则提取方法对于非线性系统的控制是有效的,由支持向量确定的模糊规则不会出现规则数目"爆炸"的问题,该方法在不便事先确定模糊规则的复杂非线性系统控制中有着重要的应用价值.     

基于WTPCA-MSVMs过程监控方法

提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。     

小波包变换和支持向量机相结合在发动机气门间隙故障诊断中的应用

为了对发动机气门间隙进行故障诊断,在对振动信号进行采集和预处理的基础上,运用小波包频带能量分解技术提取发动机故障的特征向量,以此作为支持向量机分类器（SVM）的训练样本,用经训练的SVM多分类器对发动机不同故障进行自动识别和诊断,实现了信号特征向量提取与故障模式识别的有机结合。实验结果表明,该方法能在机械故障样本少的情况下准确的识别和诊断出发动机气门间隙的故障类型,具有实际的工程应用价值。     

基于扩展的径向基函数核支持向量机的产品销售预测模型

针对产品销售时序具有多维度、非线性的特征,通过设计一种扩展的径向基函数核函数,将其应用于支持向量机中,得到一种扩展的径向基函数核支持向量机;设计了一种改进的免疫优化算法对其参数进行寻优.将该方法应用于汽车销售预测实例中,并与反向传播神经网络、采用一般径向基函数核的支持向量机及多尺度支持向量机进行了比较.实验结果表明该方法可行有效,其预测精度优于其他三种方法.     

基于最小二乘支持向量机的三角网格修补算法

为实现点云数据孔洞区域的修补,提出了一种基于最小二乘支持向量机的三角网格曲面孔洞修补算法。首先检测出孔洞,采集孔洞边界周围的三角片顶点作为学习样本训练最小二乘支持向量机模型;然后对孔洞多边形进行平面填充,获得新增三角片的顶点,并用已训练好的最小二乘支持向量机模型将其优化,最终实现孔洞的修补。实验结果表明,该方法的精度和处理速度优于人工神经网络,具有一定的实用性,为孔洞修补研究提供了一种新思路。     

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性，引入次胜者受惩（RPCL）算法和递归正交最小二乘算法（ROLS），进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明，该方法预测精度明显高于传统的方法，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高的应用价值。     

基于传感阵列的动态足底压力分布测量系统

足底压力分布与人体健康具有很大关联性,足底压力分布异常变化是某些足病的早期症状。为帮助患者预防足病,实时监测足底压力分布,研制了一种基于触觉传感阵列的动态足底压力分布测量系统。系统共有48个传感单元,测量误差小于2.4%,可对足底各区域压力进行精确采集,并采用可穿戴式设计,将数据采集系统固定于脚踝,通过蓝牙与上位机连接。此外,针对传统压力分析方法无法对运动过程中压力分布变化进行分析的缺陷,提出了一种动态足底压力分布分析方法,通过支持向量机对人体足底压力数据进行分类,达到了98.6%的分类正确率;并在此基础上引入步态相典型压力分布指标,与传统分析指标相结合,实现对人体健康状态的分析与评价。实验证明,该系统可以准确测量运动状态下的足底压力分布、分析异常状态下的压力分布变化并对压力异常区域进行预警。