多支持向量机融合建模的直线电机设计研究

主要研究多支持向量机融合建模方法,并使用差分进化算法对模型进行优化。以圆筒直线电机为研究对象,采用有限元法、正交实验设计与随机实验设计结合方法获得直线电机非参数建模的样本空间,建立直线电机的快速计算模型,并验证模型的精度和效率;采用差分进化算法对直线电机结构进行优化设计,并采用有限元模型验证优化结果的可靠性。为多支持向量机融合算法提供了实际验证。     

基于SVM的故障预报中的并行优化仿真研究

在基于支持向量机的故障预报过程中,故障样本数据的不相关变量会影响支持向量机的性能;加权支持向量机中直接选择加权系数存在很多不足;支持向量机参数主要凭人的经验或通过多次实验获得,还没有一个确定而有效的方法.针对这三种问题,提出了采用改进的人工鱼群算法将特征选择、加权系数、支持向量机参数进行并行优化的方法,并将此方法应用于船舶动力装置冷凝器的故障预报中.仿真结果表明:相对于单独优化,并行优化能够在更短的时间内进行最有效的故障特征提取,并且提高支持向量机的性能;相对于遗传算法,改进人工鱼群算法能够以更快的速度达到最终的优化结果.     

新型建模及优化方法在爪极发电机中的应用

通过电机参数样本空间设计,引入支持向量机,对爪极发电机的电磁模型进行非线性回归建模分析,基于混沌理论对爪极发电机结构参数进行优化.仿真结果表明,支持向量机用于爪极发电机非参数建模准确可行,并且是高效的,非常适合于需要大规模迭代计算的参数优化.将有限元电磁仿真与支持向量机结合用于非参数建模,以及在非参数模型的基础上用混沌进行优化,这为爪极发电机以及其它的电磁工程设计提供了一种新的思路.     

基于加权精度的ε-SVR组合参数优化

针对支持向量机参数的选取还没有一套完整的理论支撑,提出以加权精度来评价某一组参数的预测效果。通过循环交叉验证和全局变步长的方法,对最优参数进行搜索。考虑参数间的相互影响,研究参数的组合形式对精度的影响,确定参数的最优组合形式。实例分析表明,参数的最优组合能够提高支持向量机对设备费用的预测精度。     

多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 ,建立的新型装备费用预测模型具有更好的预测精度     

基于加权精度的ε-SVR组合参数优化

针对支持向量机参数的选取还没有一套完整的理论支撑,提出以加权精度来评价某一组参数的预测效果。通过循环交叉验证和全局变步长的方法,对最优参数进行搜索。考虑参数间的相互影响,研究参数的组合形式对精度的影响,确定参数的最优组合形式。实例分析表明,参数的最优组合能够提高支持向量机对设备费用的预测精度。     

支持向量机参数选择方法研究

针对支持向量机的参数选择问题,提出了一种最优化选择方法。通过分析支持向量个数与留一法的关系以及支持向量机参数的几何意义和对推广能力的影响,该算法利用支持向量机比例来衡量参数选择时推广能力的变化,使用不同的规则更新核参数和惩罚因子,简化了参数选择的难度。理论分析证明这种最小最大化参数选择方法可以选择支持向量机参数,仿真试验验证了该方法的有效性。     

基于最优LS-SVM的制导工具误差分离与折合

将最小二乘支持向量机方法应用于制导工具误差分离于折合。利用线性核函数获得了工具误差系数的估计,然后利用交叉验证技术推导了最小二乘支持向量机最优参数的选择准则。该准则的计算是基于模型求解的中间参数,所以并没有增加很多的计算量。最后根据六自由度弹道仿真软件进行了特殊弹道与全程弹道的仿真。仿真计算表明,与最小二乘和主成份方法相比,最优最小二乘支持向量机获得的误差系数估计与真值更加接近,折合得到的全程弹道遥外差更加准确。     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

基于粒子群支持向量机的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法。该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度。在对某滤波电路进行的故障检测中,验证了该方法的可行性。     

考虑作战能力的飞机生存力权衡设计

针对飞机生存力设计是一个效益与代价的综合权衡过程,提出了一种包含飞机敏感性、易损性和作战能力的生存力权衡设计模型。推导了考虑飞机作战能力的生存力计算公式,基于雷达发现概率、导弹击中概率、破片杀伤概率以及飞机作战能力的计算模型,建立了以飞机生存力最大为目标,以重量代价为约束条件,以飞机雷达散射面积、装甲质量以及挂载武器质量为优化变量的飞机生存力权衡设计模型,并应用粒子群优化算法对模型进行求解。算例分析表明,所建立的模型符合实际、易于实现,可以为飞机生存力的权衡设计提供参考。     

考虑全过程优化的支持向量机预测方法

针对支持向量机（support vector machine, SVM）预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后，通过案例运算和分析,证明该文方法具有更高的预测精度。     

基于SVM和PSO算法的飞机部件DMC预计方法

控制维修成本是飞机研制中的一项重要任务,而部件直接维修成本(DMC)的预计是控制过程中的关键步骤。鉴于现有的预计方法精度不高、波动性大或可操作性不强,引入了支持向量机(SVM)理论对不同单一模型进行非线性组合,并改进了粒子群优化(PSO)算法用于同时求解离散变量和连续变量,达到了模型选择和SVM参数的联合优化。实验证明,该预计方法算法简单、速度快,并且比以往的方法在精度和稳定性上都有显著提高。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

基于多分类GA-SVM的高速公路AID模型

智能检测系统已为高速公路交通事件检测提供了有效的途径.为了更加细致地了解高速公路交通运行状态,为突发事件的应急处理提供更加高效、可靠的决策支持, 将支持向量机两分类问题延伸到多分类上来.根据交通事件的发生过程,将其分为自由流状态,交通拥堵加剧状态,交通拥堵消散状态.采集VISSIM对交通事件各阶段进行仿真的原始数据集,运用主成分分析方法对交通输入特性进行降维处理,构建支持向量机多分类事件检测模型,最后用遗传算法选择支持向量机模型参数,获得了满意的检测效果.     

供水管网爆管故障诊断的PSO-SVM方法

根据供水管网的实际水压监测数据, 采用粒子群算法优化反演管道的海曾-威廉斯系数, 并通过在管道中间加入虚节点来模拟爆管故障, 进而基于节点水压法建立了管网在爆管故障情况下的水力计算模型. 由计算模型计算出一组不同爆点、不同爆管程度组合下的监测点处的水压值, 以此反向训练支持向量机(SVM)模型, 并通过粒子群算法(PSO)对优化支持向量机模型的核参数, 建立了基于PSO-SVM方法的供水管网爆管诊断模型. 最后, 通过一个供水管网的室内实验模型验证了上述诊断模型的有效性.     

基于机电耦合的反射面天线副面位置调整方法

为了更加直接有效地通过调整副面位置来提高双反射面天线的电性能,基于机电耦合思想,建立了副面位置调整量与远场电性能间的直接关系式,分析了副面横向和纵向位置偏差的影响。采用优化方法建立了副面位置调整量优化模型,获得了多个仰角时的副面最佳位置。为实现全仰角范围副面位置的实时调整,对多个仰角副面位置调整参数进行了参数拟合。以26 m天线为对象进行了案例分析,其结果表明采用文章所述方法能够直接有效地获得不同工况时的副面最佳调整参数,并实现电性能的最优化,对天线结构重力变形进行有效地主动补偿。     

消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。