结合支持向量机和近邻法的太阳耀斑预报方法

为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法.将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法.选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型.通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑.模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域.     

基于最小二乘支持向量机的非线性广义预测控制

通过中值定理将一类非线性系统近似为时变线性系统,然后将提出的在线最小二乘支持向量机回归(OLSSVMR)与广义预测控制相结合,提出了一种基于OLS-SVMR的自适应直接广义预测控制.利用OLS-SVMR直接设计预测控制器,并基于广义误差估计对控制器参数和广义误差估计中的未知向量进行自适应调整.理论证明了该方法可使广义误差估计值收敛到原点的一个小邻域内.仿真算例也验证了该方法的有效性.     

基于k-最近邻的支持向量预选取方法

在所有的训练样本中只有支持向量(SVs)能对支持向量机分界面优化结果产生显著影响.基于七一最近邻规则.提出了一种训练样本的预选取方法.针对一些典型人工数据集、公用基准数据集以及TM遥感数据的实验结果表明.该方法能够有效减少训练样本数目.显著加快学习速度,并保证理想的分类精度.     

基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.     

蚁群算法滚动优化的LS-SVM预测控制研究

针对非线性过程预测控制的模型预测和滚动优化问题,提出一种蚁群算法滚动优化的最小二乘支持向量机(LS-SVM)新型预测控制器.该控制器以建模简单,精度高的LS-SVM作为预测模型,蚁群算法作为滚动优化策略,避免了滚动优化中复杂的梯度计算.仿真研究表明,该控制器具有良好的非线性控制效果.

     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.

     

不确定离散切换系统的滑模控制

研究一类不确定离散切换系统的鲁棒滑模控制问题.针对传统变结构控制应用于离散系统时易失去其鲁棒性的问题,提出一种采用带调整参数递归式滑模函数的离散滑模控制策略,改进了离散时间滑模控制系统的趋近律方法,并针对不确定因素的影响设计了无须知道扰动上界的估计器.应用Lyapunov函数给出了离散切换系统的滑动模态可达条件,并设计了离散切换规则.仿真结果表明了所提出设计方法的有效性.

     

基于EMD多模态特征融合支持向量机的故障诊断

针对非平稳时间序列信号,提出一种基于经验模态分解(EMD)的特征提取和多模态特征融合支持向量机的故障诊断方法.首先对原始信号进行EMD分解,选择能量最大的几个基本模式分量(IMF)并提取其小波包特征,获得对每个IMF独立的特征子集;然后在每个IMF特征子集中训练SVM 弱分类器,并根据各特征子集对应的IMF能量权重进行加权融合,获得故障状态的强分类器.将该方法应用于6135型柴油机振动信号故障诊断中,实验结果表明了其可行性和有效性.

     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.