最小二乘支持向量机在瞬变热环境实验研究中的应用

瞬变热环境下,热反应与环境参数是紧密联系的。本文基于最小二乘支持向量机LS-SVM(LeastSquares Support Vector Machine)理论,结合瞬变热环境下受试者的投票实验数据,试图将这种关系量化,以达到对瞬变热环境下整体热感觉预测的目的。通过样本测试对预测模型的验证结果表明,向冷环境过渡和向热环境过渡中误差﹤0.3的样本比例都达到了90%以上,预测结果较理想,并且预测精度优于BP神经网络所建立的模型。另外,考虑到热感觉的模糊性以及个体化差异造成的影响,还给出了测试样本集在置信水平为95%时的置信区间,能对测试样本的变化区间作出较为准确的判断。     

基于支持向量机的天然气管道小泄漏信号检测

针对天然气管道小泄漏信号的识别问题,提出了一种基于支持向量机的回归算法模型。首先根据香农采样定理和SCADA系统的采样频率,建立了小泄漏工况的故障样本库。然后,利用小泄漏工况下的压力波数据作为训练样本,建立了LS-SVM预测模型。最后,对小泄漏工况、正常工况和调阀工况下的压力波数据进行了信号检测。结果表明,3种工况的一步预测误差的均值分别为9.8631×10-4、0.7886和2.7400×10-2,不在同一个数量级。因此,如合理设定门限值,LS-SVM检测器就能对管道小泄漏信号实现有效的识别。     

Identification of MIMO Hammerstein models using least squares support vector machines

This paper studies a method for the identification of Hammerstein models based on least squares support vector machines (LS-SVMs). The technique allows for the determination of the memoryless static nonlinearity as well as the estimation of the model parameters of the dynamic ARX part. This is done by applying the equivalent of Bai's overparameterization method for identification of Hammerstein systems in an LS-SVM context. The SISO as well as the MIMO identification cases are elaborated. The technique can lead to significant improvements with respect to classical overparameterization methods as illustrated in a number of examples. Another important advantage is that no stringent assumptions on the nature of the nonlinearity need to be imposed except for a certain degree of smoothness.     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

Modeling of machined depth in laser surface texturing of medical needles

The present paper addresses the experimental modeling of process parameters in laser surface texturing (LST) of medical needles. First, experiments were carried out based on Taguchi methodology. The laser process parameters considered during LST were the circumferential overlap, axial overlap and the overscan number. A second-order regression model of the machined depth for LST was developed based on the experimental results. Second, a predictive model for the machined depth based on least squares support vector machines (LS-SVM) with radial basis functions was constructed using the same experimental swatches. Grid search and leave-one-out cross-validation were used to determine the optimal parameters of the LS-SVM model. The comparison between the second-order regression model and the LS-SVM model was carried out. The experiments indicated that the LS-SVM model is capable of better predictions of the machined depth than the second-order regression model. The validity of the LS-SVM model has been checked through the creation of micro-channels with blended edges. It was found that the predicted profile was in a good agreement with the experimental profiles. The LS-SVM model can be used to predict machined geometry of the micro-channels on medical needles.     

LS-SVM在提高气压测高系统精度中的应用研究

在利用计算机软件补偿飞机测高系统误差方法中,传统的采用分段拟合方法精度不高,非线性误差大;神经网络存在过学习、网络拓扑结构不易确定以及泛化能力差等缺点。提出利用最小二乘支持向量机(LS-SVM)对某型飞机测高系统误差进行预测、补偿,提高其测高精度。在分析LS-SVM回归算法的基础上,利用LS-SVMlab1.5对某型飞机测高系统误差样本数据进行了仿真。结果表明,LS-SVM在数据回归预测方面精度高、泛化能力强、稳定性好,可以有效提高飞机气压测高系统精度,具有应用推广价值。     

基于ERT和WLS-SVM的气液两相流空隙率测量

利用ERT传感器提供的电阻测量信息,基于加权最小二乘支持向量机(WLS-SVM),提出了一种气液两相流空隙率测量的新方法.该方法首先由ERT电阻传感器阵列获取电阻测量值,接着提取测量值的主成分,将主成分作为已经建立的WLS-SVM空隙率模型的输入,计算得到空隙率值.测量结果表明,提出方法的空隙率测量误差小于8%,实时性可以满足现场要求.     

一种基于日志的攻击模式挖掘方法

建立"择优"和"劣汰"过程结合的攻击模式挖掘模型对日志信息进行分析."择优"过程运用改进正交化算法的稀疏化策略对数据集进行重新组合,提高了最小二乘支持向量机分类模型的效率."劣汰"过程提出了基于相关度检测法的改进滑动窗策略,剔除了虚假攻击事件,避免重复的攻击模式在"择优"过程的结果集中反复出现.实验证明,该方法能够高效准确地挖掘出网络中存在的复杂的攻击模式,实时对网络安全进行监控.     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。     

最小二乘支持向量机在水平井产能预测中的应用

随着油气勘探开发技术的发展,水平井以其泄油面积大、油气流动阻力小的突出优点越来越受到人们的重视。通过对水平井的产能预测,可以预测该水平井的开发效益及经济回报,因此对水平井的产能研究变得尤为重要。鉴于水平井产能影响因素的复杂性,本文运用最小二乘支持向量机技术,对多因素非线性影响下的水平井产能进行预测,并通过实例说明该方法的实用性。