基于NNG-LSSVM的铜精矿品位软测量方法研究

浮选技术是当今铜矿选矿最主要的方法并得到了广泛应用.浮选流程中铜精矿品位决定了最终产品的质量,是整个过程的关键变量.然而在实际生产中,该参数的测量耗时较长,难以实时在线测量.提出了一种基于非负绞杀(Nonnegative garrote)与最小二乘支持向量机(Least Squares Support Vector M...     

一种永磁同步电机直接转矩控制无传感器运行优化方法

为了改进自抗扰控制器(active-disturbance rejection control,ADRC)性能,同时解决永磁同步电机(permanent magnet synchronous motor,PMSM)传统直接转矩控制(direct torque control,DTC)中存在的磁链和转矩脉动大以及机械速度传感器的使用降低系统可靠性等问题,提出一种PMSM DTC无传感器运行优化方法。设计了ADRC速度调节器,阐述了将最小二乘支持向量机(LSSVM)最优回归模型有效嵌入ADRC调节器的实现方法,对ADRC进行优化,以提高ADRC观测精度及系统动态响应速度,改善系统的抗干扰能力;同时,在两相静止坐标系下提出基于扩张状态观测器同时对定子磁链和转速进行估计的方法,以降低磁链和转矩脉动,同时实现无传感器运行。仿真和实验结果验证了该方法的可行性和有效性。     

基于分批试验的工业球磨机粒级分布预测模型

针对具有强非线性、时滞和工况变化特点的球磨机出口矿浆粒级分布预测问题,提出一种基于分批试验结论的粒级质量平衡改进模型.根据某些粒级的矿料不符合一阶破碎动力学的分批试验结论改进了破碎率模型;考虑工况影响,建立了模型参数和工况变量间的最小二乘支持向量机(LSSVM)关系模型,由现场工况确定模型参数.仿真结果表明,该模型预测精度较高,可满足实际生产要求.     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

基于自抗扰控制器的两电机变频调速系统最小二乘支持向量机逆控制

针对多输入多输出(multiple input multiple output,MIMO)非线性强耦合的两电机变频调速系统,对其数学模型进行可逆性存在分析,进一步设计最小二乘支持向量机(least squares support vector machines,LSSVM)逆系统,串联于两电机系统之前,组成基于阶逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在此基础上,采用自抗扰控制器(active disturbances rejection control,ADRC)抑制伪线性复合系统中非线性因素的作用,引入扩张状态观测器对不确定性的估计,使之参与LSSVM逆模型的构造。仿真和实验结果表明,新型控制策略可以有效减小负载扰动和LSSVM建模误差的影响,具有良好的解耦控制效果和鲁棒性。     

一种新的自然纹理分类方法

纹理分类一直是图像处理领域重要的研究课题之一。目前,用数学方法描述纹理特征从而进行纹理分类非常流行,但这些方法无法消除纹理视觉特征和人们理解的纹理概念之间的语义障碍。提出了一种新的基于中文自然语言纹理描述词的纹理方法,把常见的自然纹理分为10大类别,然后利用小波包分解和最小二乘支持向量机对自然纹理进行分类,实现了纹理的视觉特征到语义描述的转换。实验结果证明,该方法在图像理解和基于自然语言的图像检索中有助于缩小纹理特征的数学描述和人类理解之间的“语义鸿沟”。     

基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子 f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.     

一种非线性动态的传感器建模算法

针对传感器动态的非线性、动态特性,精确建模比较难.为此,提出一种非线性的传感器动态建模方法.首先将LSS-VM参数作为蚂蚁的位置向量,传感器动态建模精度作为目标函数,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,最后建立传感器动态模型.结果表明,ACO-LSSVM所建模型具有较强的实用性和可靠性,为改善传感器动态性能及在线补偿提供了参考依据.     

支持向量机在衰落信道预测中的应用

研究信道通信优化控制问题,针对传统衰落信道预测算法中的不足,提出一种改进LSSVM的衰落信道预测。首先通过相空间重构对衰落信道系数序列进行重构,然后采用LSSVM对训练样本集进行学习,并通过自适应遗传算法对LSSVM参数进行优化建立最优衰落信道系数预测模型,最后采用测试集对模型的性能进行验证。仿真结果表明,相对于传统LSS-VM模型,改进模型提高了衰落信道系数预测精度,是一种进行衰落信道非线性预测的有效方法。