基于局部信息融合及支持向量回归集成的锂电池健康状态预测

为了提高锂电池健康状态(State of health,SOH)的预测准确率,该文将支持向量回归(Support vector regression,SVR)算法与集成学习理论相结合,提出一种基于局部信息融合的支持向量回归集成(Local information fusion with ensemble support vector regression,LIF-ESVR)算法。该算法的核心思想是利用数据的局部信息融合替代原有全局信息,并将信息层融合问题转化为决策层融合问题。首先将原始的训练集划分为若干个子训练集,每个子训练集都包含了原始训练集中的部分重要信息;然后,在每个子训练集上训练一个对应的SVR模型;最后,利用集成学习算法将已训练好的多个SVR模型进行融合。在美国国家航空航天局蓄电池数据上的实验结果表明,所提方法的性能优于现有的锂电池SOH预测方法,具有广泛的应用价值。     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

考虑竞争的电影首映日票房集成预测模型研究

电影首映日票房预测对该日排片、后续放映日票房及总票房有显著影响。在构建考虑竞争的电影首映日票房预测变量集的基础上,建立首映日票房集成预测模型。首先使用多元线性回归(multiple linear regression, MLR)、支持向量回归(support vector regression, SVR)、套索回归（Least absolute shrinkage and selection operator, Lasso）和极端梯度提升（Extreme Gradient Boosting, XGBoost）等算法建立基学习器,随后使用XGBoost算法作为原学习器构建堆栈集成预测模型,最后利用收集到的数据进行对比实验。实验证明,加入竞争变量的电影首映日票房预测变量集适用于首映日票房预测;相比单一模型,提出的集成预测模型的准确性、泛化性能和稳定性均有提升,相比较传统预测方法对首映日票房预测更准确。提出的集成预测模型有助于提升首映日票房排片的有效性。     

深度信任支持向量回归的耕地面积预测方法

针对目前浅层机器学习预测方法所需学习和训练的样本过大及拟合复杂数据能力弱等不足,提出一种基于深度学习思想的深度信任支持向量回归(support vector regression,SVR)的耕地面积预测方法.首先,搭建由1层高斯分布函数显层节点的RBM、多层隐层RBM和1层支持向量回归机构成的深度信任支持向量回归预测模型;其次,选取较为合适和易得的训练数据,通过样本训练和测试确定预测模型的具体结构参数;最后,通过实验将深度信任支持向量回归耕地面积预测方法与其他典型的耕地面积预测算法相比较.结果表明,提出的耕地面积预测方法可行、有效,在相同的数据和平台下,其预测精度高于其他具有代表性的耕地面积预测算法.     

GDI发动机与涡轮增压器匹配性能

涡轮增压系统决定了发动机的进气能力,严重影响整机燃烧性能。为优化汽油缸内直喷（GDI）发动机的热效率,利用GT-Power软件搭建了一维仿真计算模型,并基于试验数据完成模型标定。通过热力学仿真计算,分析了不同增压系统对发动机动力性、经济性的影响。研究结果表明：采用定压增压结构,能减少泵气损失,提高发动机在高速工况时的热效率。但其低速性能较差,不满足车用发动机对低速转矩特性的要求。采用脉冲增压结构能有效改善发动机扫气,低速时压气机喘振裕度大。为解决脉冲增压结构高速工况涡端效率较低的问题,扩宽了涡前流道并使用大流量涡轮机方案,使泵气损失明显减少,最大功率点比油耗降低了11.7 g/kWh。证明该措施有效提高了汽油机性能,满足开发需求。     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

钻机柴油机二级涡轮增压系统优化与流场分析

以济柴190系列柴油机的真实尺寸和实验数据为依据,对二级涡轮增压器的改造方案进行了分析,确立了二级涡轮增压器连接方案。在GT-Power中建立发动机模型并验证了模型的可靠性,在GT-Power中对二级涡轮增压器进行仿真计算并与原机涡轮增压器进行了对比分析;建立流道模型,设置合适的边界条件对二级涡轮增压系统的内部流场进行分析,分析了原增压器和二级涡轮增压系统的压气端和涡轮端的内部流场分布和运行状况。研究发现新的涡轮增压系统较原机相比的加速性能、动力性能、低转速特性都有提高,相同时间内新增压系统的进气流量更多,使燃油的燃烧更加充分,大大降低了燃油消耗率和废气中氮氧化物的含量。     

基于广义回归神经网络的煤矿带式输送机模型预测控制

针对煤矿井下运输系统能耗大、生产成本高等问题，提出基于广义回归神经网络（GRNN）的带式输送机模型预测控制（MPC）策略。引入动态自适应权重和莱维飞行策略改进天牛须算法（BAS），并采用改进的天牛须算法对广义回归神经网络进行超参数寻优。建立了带式运输机模型，采用模型预测控制策略对带式输送机的运行进行优化与控制；优化过程采用了基于分时电价的控制策略。实验结果表明：与带式输送机传统的运行方式相比，所提出的控制策略不仅可以减少能源消耗，而且可以有效降低运行成本。     

基于聚类的PCA和GRNN的CSI指纹定位算法

针对多径效应影响指纹定位算法中定位精度的问题,提出了一种基于聚类的主成分分析(principal compo-nent analysis,PCA)和广义回归神经网络(generalized regression neural network,GRNN)的信道状态信息(channel state information,CSI)指纹定位算法.离线训练阶段,利用中值滤波对CSI幅值进行去噪,并利用线性变换校准CSI相位,将处理后的幅值和相位作为原始联合指纹,利用改进的K-means算法将各个参考点的联合指纹集划分成多个子数据集来描述位置的多径特性,通过高维数据的PCA算法提取子数据集的特征以减少冗余信息、提高不同位置指纹的区分性,最后利用特征指纹训练GRNN模型.在线阶段,利用训练好的GRNN模型对在线测量的CSI数据进行目标对象的位置预测.实验结果表明,该算法可有效反映出位置的多径信息,且与CSI-MIMO,DeepFi和CSI-PCA相比,在定位精度方面有明显的提升.     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

基于GMDH网络的船用增压柴油机性能预测及仿真

采用数据分组处理（Group Method of Data Handing,GMDH）的神经网络分类方法,建立4190ZLC船用四冲程增压柴油机性能预测的数学模型.针对船用中速柴油机运行状况,考虑到其影响运行状态的因素,结合实验数据进行4190ZLC船用柴油机性能的预测及仿真分析.该模型解决了神经网络结构较大,计算耗时较长的问题.将该模型与BP（Back-Propagation,BP）前馈神经网络仿真结果进行比较,结果表明其仿真效果好于BP神经网络模型,并且该神经网络能较好地满足柴油机性能预测仿真的需求     

增压柴油机耦合条件下的环境影响研究

将增压柴油机与冷却系统综合考虑,分析了大气环境对增压柴油机与冷却系统的影响机制,提出了增压柴油机与冷却系统的耦合建模方法.采用GT-Suite软件建立了耦合仿真模型,并通过实验数据对模型进行了校核.在此基础上通过改变环境条件,得到了不同环境条件下增压柴油机的性能变化规律,并与非耦合模型进行了对比分析.结果表明,采用耦合模型能够考虑环境变化引起的冷却系统变化对增压柴油机的影响,在典型环境地区,耦合模型受环境影响要明显大于非耦合模型,用两种模型计算所得到的结果差异最大可达15%左右.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

基于支持向量机的烧结能耗及性能指标预测模型

针对烧结过程中能耗和性能指标预测方法精度不高、训练时间长的问题,首先,在总结当前预测建模方法的基础上,将回归型支持向量机(support vector machine for regression,SVR)引入烧结生产系统,分析了2种建模模式;然后,给出基于SVR预测建模一般流程;最后,以某大型钢铁企业为例进行验证,并与传统的多元线性回归、反向传播(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)网络和极限学习机(extreme learning machine,ELM)等预测方法在相同模式内和不同模式间进行比较.结果表明,SVR方法可快速获得理想的预测结果,在预测精度和时间效率上具有优势.     

应用系统工程方法改善增压柴油机性能的探索

综述了利用对涡轮增压器进行调节来改进车用增压机低速性能的几种方案及实验结果，应用系统工程原理对改善增压柴油机的性能进行了初步探讨。实验结果及分析表明，只有从柴油可整体出发，对涡轮增压柴油机的各子系统作相应的电控调节，才能更好地满足涡轮增压柴油机的车用要求。     

基于心率变异性特征和PCA-SVR的PAD维度情感预测分析

对于PAD （pleasure：愉悦度；arousal：唤醒度；dominance：优势度）维度情感预测和分析中的数值预测问题，结合心率变异性（heart rate variability，HRV）特点，提出了基于主成分分析（principal component analysis，PCA）和支持向量回归（support vector regression，SVR）的PAD维度情感预测模型（PCA-SVR）。通过柔性离子传感器以音乐和视频的诱导方式采集了12名志愿者在放松和焦虑两种情感状态下的心率和心率间期数据，利用PAD量表进行标注，通过均值和方差计算等统计方法、Welch功率谱、Poincaré散点图等分别提取HRV的时域、频域和非线性特征，然后利用PCA模型对HRV特征降维，最后利用降维后的HRV特征作为SVR模型的输入特征进行训练和预测。实验结果表明，结合HRV特征的PCA-SVR模型在PAD的3个维度上均有良好的预测效果，其平均一致性相关系数达到了0.51。同时对比了SVR、极限学习机（extreme learning machine，ELM）和基于PCA的ELM这3种预测方法，结果显示所提方法相对于以上3种方法在一致性相关系数上分别提升了0.14、0.10和0.04，表明该方法能够细致地划分情感，结合可穿戴设备，在情感识别和分析方面有一定补充作用，为在日常生活中针对情感的识别和预测带来了可能。     

增压柴油机进气管压力波预测的研究

本文在考虑进气管系压力波传递的基础上,针对6135z涡轮增压柴油机的性能,研究了进、出口均存在压力波的压气机之边界条件处理方法。文中还简介了整机性能预测、排气管系的计算站位分布图,分析和验证了计算结果,在改进6135z的进气系统上也取得了一定效果。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

基于支持向量回归机的中国碳排放预测模型

选取人口、城镇化率、人均GDP、服务业增加值比重、单位GDP能耗、煤炭消费比例等6项影响因素作为自变量,运用支持向量回归机方法构建中国碳排放预测模型。以1980—2009年碳排放及影响因素数据为样本,通过训练、测试得到具有良好学习与推广能力的支持向量回归机模型。结合"十二五"规划,设置不同情境下影响因素预测值,对2010—2015年中国碳排放进行预测。预测结果表明,中国可适当降低GDP增速,不断优化能源结构,以确保碳减排目标的有效实现。