短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

基于小波基的SVM多气体融合

为了提高气体传感器在多气体环境下的检测灵敏度,基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数具备小波的多尺度插值特性和稀疏变化特性,提高了模型的精度和迭代的收敛速度,适用于信号的局部分析、信噪分离和突变信号的检测,从而能在提高支持向量机(SVM:Support Vector Machine)泛化能力的同时,提高辨识效果,减少计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对sin c函数的逼近.该小波核得到的绝对误差不超过0.004;在多气体分析中,比RBF(Radial Base Function)核所得的偏差小18.3%.这些表明SVM小波核具有更好的泛化能力.     

两点边值问题二尺度小波核LS-SVM解法

针对两点边值问题难以得到解析解,提出了利用二尺度小波核最小二乘支持向量机方法求两点边值问题的近似解;首先将两点边值问题转换为带有两个约束条件的目标优化问题,再利用二尺度小波核函数的组合构造满足边界条件的近似解;其中第一个约束条件用第一尺度小波核函数逼近,第二个约束条件是对第一次逼近的误差函数用第二尺度小波核函数再次逼近,可提高近似解逼近精度;最后将目标优化问题转化为回归问题,进而利用最小二乘支持向量机方法求解回归系数,系数求解过程中核心是将参数回归问题转化为二次规划问题,可避免复杂的微分运算;数值实验表明:方法求解两点边值问题有较高的精度,计算量小,并且具有较好的稳定性,因此二尺度小波核最小二乘支持向量机方法求解两点边值问题的近似解是有效的,并且具有精度高、可微、表达式简单且形式固定等特点。     

支持向量机与人工神经网络

支持向量机（Support Vector Machine,SVM）是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法;而人工神经网络（Artificial Neural Network, ANN）已经成功用于解决模式识别和任意非线性函数回归估计问题中. 介绍了支持向量机与人工神经网络的基本原理,并对二者进行了逼近方面的比较,结果表明,支持向量机作为一种新兴技术而具有的独特的优越性.     

几种SVM的优劣性比较

支持向量机(Support Vector Machine,SVM)是将样本进行分类和回归的一种强大的数学工具,尤其是对高维领域,效果尤为显著.支持向量机工作原理是针对样本数据集,寻找决策函数来对样本数据进行分类的.如今已经衍生出多种SVM的相关模型.最为常见是有孪生支持向量机(T-SVM),正则化支持向量机(RT-SVM),最小二乘支持向量机(LSSVM).这几类模型的出发点和建构模型的思想有些许不同之处.本文则选取了三种常见的SVM模型,分析和比较它们之间的优势以及劣势,能让读者更加深入的了解这类算法,并且在实际问题中更具有选择应用性.     

基于GA的ε-SVRM参数优化研究

参数优化是ε-支持向量回归机(ε-Support Vector Regression Machine,SVRM)研究领域的重要问题,其本质是一个优化搜索的过程.考虑到遗传算法在求解优化问题上的有效性,提出了以遗传算法寻优技巧的ε-支持向量回归机参数优化方法.将该算法应用于受噪声影响的标准函数,仿真实验表明由该算法所确定的ε-支持向量回归机具有较好的预测性能.     

基于多尺度变换和支持向量回归机的数字图像水印算法

针对当前数字图像水印算法存在的信息隐藏性能差、保密性低、易受攻击等缺陷,提出一种基于多尺度变换和支持向量回归机的数字图像水印算法.首先,采用小波变换对原始数字图像进行多尺度分解,得到多个不同子带;然后,对不同的子带系数采用支持向量回归机进行训练,估计子带间的关系;最后,训练完成的支持向量回归机将水印嵌入到图像中,并通过具体数字图像水印仿真实验测试其性能.实验结果表明,该算法的水印信息隐蔽性好,具有良好的不可感知性,可以抵抗各种类型的攻击,提高了数字图像的安全性.     

基于SVM的网络入侵检测系统模型分析

利用支持向量机(Support Vector Machine SVM)进行建模,可以解决在建立检测模型时因无法收集所有样本而导致的模型推广性能差的问题,并且可以提高入侵检测率,降低漏报和误报率,提高系统的实用性.本文尝试在入侵检测领域利用支持向量机,构建基于支持向量机的入侵检测系统模型.     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于谱熵和多尺度小波的码元速率估计方法

针对实际信号码元速率估计中噪声对估计精度的影响和小波方法最优尺度的选择问题,提出了一种基于谱熵分析和多尺度小波变换的码元速率估计方法。通过谱熵检测有效滤除带内噪声,并采用并行多尺度小波分析和精度函数分析提取最优小波尺度。实验结果表明,该方法的估计性能优于传统小波分析方法,并且在低信噪比情况下具有更好的估计鲁棒性。     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

受限空间细水雾作用下烟气温度变化规律研究

利用热电偶测量细水雾作用下烟气层不同高度温度,研究雾滴粒径、雾通量和喷头与火源的水平距离等因素对平均细水雾降温速率（V）的影响规律．揭示了细水雾抑制火灾烟气温度的主导机理．利用实验数据推导V与雾通量之间的数学关系,建立V空间分布的三维数学模型,为细水雾技术用于火灾烟气抑制提供理论基础和必要的设计参数．     

改进SVM及其在时间序列数据预测中的应用

运用标准支持向量机预测海量金融时间序列数据会出现训练速度慢、内存开销大的问题,文中提出一种分解合作加权的回归支持向量机,将大样本集分解成若干工作子集,分段提炼出支持向量机,同时根据支持向量的重要性给出不同的错误惩罚度,并将其应用于证券指数预测．与标准算法相比较,文中方法在保证泛化精度一致的前提下,极大地加快了训练速度．     

基于GPS弹道测量的卡尔曼滤波参数估计算法

为提高基于GPS定位的弹道辨识方法的实时性和可靠性,提出了一种以弹道微分方程四阶龙格库塔数值积分预测作为状态量递推的卡尔曼滤波弹道参数估计算法,并针对卫星接收机有粗大误差或失效情况对方法进行了改进. 利用卫星信号模拟器和C/A码GPS接收机构建半实物仿真系统对算法进行验证,该方法的弹道参数估计误差是GPS接收机正常工作时测量误差的30%～40%;且能在GPS接收机出现异常时继续给出接近实际的估计值.     

线性回归模型的稳健估计及异方差检验

将Huber函数引入线性回归模型的对数似然函数中,利用Fisher Scoring迭代法得到参数的稳健估计(M估计);在M估计的基础上,对模型进行异方差检验,建立Score检验统计量;最后用一组实际数据说明本文方法的有效性.     

一种建立回归曲线模型的新算法

将ε—支持向量回归机与B-样条网络相结合,提出了一种建立回归曲线模型的新算法.实验仿真结果说明了这种算法是可行和有效的.