基于泡沫视觉特征的浮选精矿品位的软测量

针对矿物浮选在线检测X荧光分析仪缺失、人工检测严重滞后的问题,依据泡沫视觉表面特征对浮选精矿品位具有直接指示作用的原理,采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)实现浮选精矿品位的软测量。工业运行数据仿真结果表明,建立的软测量模型能够实现精矿品位的预测精度,满足工业要求。     

基于LS-SVM及嵌入式技术的力敏传感器温度补偿

将最小二乘支持向量机(LS-SVM)融合改进模拟退火算法(SA)移植于嵌入式智能仪表中,结合嵌入式技术实现了对力敏传感器的温度补偿.由LS-SVM构建力敏传感器的非线性模型,利用改进的模拟退火算法对LS-SVM中的正则化参数和核宽度进行全局寻优,并通过设计嵌入式软硬件平台对该方法进行了验证.试验结果表明,该方法具有易实现,补偿精度较高等特点,对基于嵌入式智能仪表的传感器温度补偿有一定的实际意义.     

涡轮叶尖间隙动态建模的LS-SVM方法

为了延长现代航空发动机的工作寿命,提高其工作性能及降低耗油率,叶尖间隙主动控制技术成为国内外的一个研究热点。叶尖间隙的动态建模是实现叶尖间隙主动控制的关键技术。为此,首先对涡轮叶尖间隙的变化机理进行初步分析,分析了涡轮叶尖间隙在温度、离心力及机动飞行下的变化规律,然后,研究了适用于叶尖间隙动态建模的最小二乘支持向量机方法。仿真结果表明:最小二乘支持向量机在叶尖间隙动态建模中具有良好的实用性及可靠性,即使叶尖间隙的动态变化存在严重非线性,也仍然有效。     

LS-SVM的非线性特征提取新方法及与PCA的关系研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性特征提取新方法.先将线性特征提取公式表达成与LS-SVM回归算法中相同的形式;再根据SVM思想,将数据集由输入空间映射到高维特征空间,进而通过核技巧实现非线性特征提取.在理论上证明了所提特征提取方法的结果与PCA方法具有一致性,是传统PCA的一种对偶形式,更适合高维特征数据集的提取.最后,通过近红外光谱数据集特征提取实例验证了在上述条件下该方法的优越性.     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

基于LS-SVM的网络延时单神经元Smith控制

提出了一种Smith预估器和单神经元PID控制器的时变网络时延补偿策略。将网络时延和被控对象作为广义对象,运用最小二乘支持向量机对网络时延进行实时预测,得到广义对象预测模型。先设计Smith预估器,初步实现了网络控制系统的性能改善。然后将Smith预估控制与单神经元PID控制相结合,提出一种基于时延辨识的单神经元Smith控制策略。仿真表明,该策略能有效提高系统性能,对模型失配情况具有较高的鲁棒性和适应性。     

支持向量机建模的二维滑坡模型控制系统研究

滑坡模型作为研究滑坡地质灾害的重要实验平台是一个装载一定量沙石土壤的箱体.二维滑坡模型是在一定模拟降雨条件下通过抬升装载有砂石土料的箱体实现模拟山体滑坡行为.基于对抬升过程中箱体运动规律的分析,设计了一个智能液压控制系统,通过控制阀门开启时间实现了箱体抬升角度的精确控制.采用了最小二乘支持向量机滚动窗算法实现滑坡模型实验箱抬升过程进行动态建模和预测控制,实现了模型平台抬升过程中的倾角检测与控制.本控制系统避免了低速大负载条件下液压系统的脉动和爬行对滑坡模型的影响.实际运行表明本系统满足滑坡模型的平台倾角精度要求.     

基于聚类的LS-SVM的入侵检测方法研究

本文针对最小二乘法支持向量机在入侵检测中的训练效率低下的缺点,将聚类方法应用其中。该方法主要用来对数据集进行剪枝,有效地减少距离分类面较远的数据集合数量,而使用靠近聚类中心的数据集合作为有效的样本集合,减少样本的训练时间,提高训练效率。实验表明,使用聚类方法提高了最小二乘法支持向量机的训练效率,而且对入侵检测有很好的效果。     

LS-SVM的参数优选及铁路客运市场预测

提出通过建立验证性能指标用遗传算法优化最小二乘支持向量机的有关参数并进行时间序列预测。将最小二乘支持向量机以铁路客运市场数据进行训练和测试,并与传统的BP网络预测模型相比较,结果证明,该模型的预测精确度是令人满意的,提出的方法是可行的。     

基于AP的LS-SVM多模型建模算法

针对多工况对象的单模型建模中存在的回归精度差和泛化能力弱的问题,提出基于仿射传播聚类的LS-SVM多模型建模方法。该方法用仿射传播聚类算法对样本进行聚类,采用LS-SVM的方法对子类样本分别建立模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。将该建模方法用在丙烯浓度的软测量建模实验中,结果表明该方法有较高的回归精度和较好的泛化能力。