组合聚类与最优核v-SVR融合方法在能源系统应用

针对能源复杂系统样本数量有限、变量维数高、偶合关系复杂等问题,提出了一种组合聚类算法和最优核v-支持向量回归机SVR融合的方法。该方法采用SOM自组织映射神经网络和K-means组合的聚类算法对初始样本集合进行聚类,构成不同核函数的子支持向量回归机SVR模型,再用均方误差标准（MSE）和小误差概率对其各核函数进行优选,得到最优核函数的v-支持向量回归机SVR模型。仿真结果表明,采用这种方法进行能源供需预测是有效的,其精度优于常规的支持向量回归建模方法。

Abstract：

A method of fusion strategy with Optimal Kernel v-SVR （Support Vector Regression） and assembled clustering algorithm was proposed,facing the issues of complex energy system like limited samples,high dimension,complex coupling.The assembled clustering algorithm was used to cluster the initial samples related to energy data to form sub-SVR models based on different Kernel functions,combining Self-Organizing Map （SOM） neural network with K-means algorithm.The Mean Square Error criterion （MSE） and small error probability were used to evaluate the Kernel functions to obtain the optimal Kernel v-SVR model.The simulation results demonstrate that the proposed method is valid for predicting energy supply/demand and its accuracy is superior to the conventional SVR method.     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于支持向量回归机学习的机械臂视觉反馈模糊控制

针对于机器人无标定视觉伺服问题,提出一种基于支持向量回归机(Support Vector Regression, SVR)学习的模糊控制(Fuzzy Logic Control, FLC)方法。FLC直接用于构建图像特征与机器人关节运动之间的非线性映射关系。FLC的模糊基函数用作SVR的核函数,建立FLC与SVR的数学等价关系。SVR从数据中学习的支持向量构建FLC的规则。所有规则来自于数据,因此无需人工设计规则。本文所提出方法充分利用了SVR针对小数据量学习具有较好的泛化性能优势,实验结果表明该视觉伺服控制器在精度上及收敛上均具取得较好性能。     

支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

相干斑噪声背景下的SAR图像分类方法研究

研究了相干斑噪声抑制对合成孔径雷达 (SAR)图像分类的影响。分别采用Kuan自适应滤波和小波变换软门限滤波两种方法进行了相干斑噪声抑制 ;对于SAR图像的分类则采用了图像的灰度以及基于灰度级共生矩阵的 4种纹理特征 ,并利用最大似然分类器进行了监督分类。处理结果表明 ,相干斑噪声的抑制尽管可以提高SAR图像的质量 ,但是由于在相干斑噪声得到抑制的同时 ,地物的固有结构信息也受到损失 ,因此分类精度提高甚微 ,在某些情况下甚至有所下降。针对这种情况 ,提出了一种改进的特征提取方法 ,将基于原图像的灰度级共生矩阵提取的纹理特征与滤波后图像的灰度特征进行组合用于分类。实验结果表明 ,改进的特征提取方法提高了SAR图像的分类精度。     

SVR在切削颤振状态趋势预测中的应用

针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。     

基于SVR和DCT的数字图像水印算法

针对彩色图像,提出了一种利用支持向量回归机（support vector regression, SVR）将水印信息嵌入到图像亮度分量的离散余弦变换（discrete cosine transform, DCT）域中的算法。主要思想是应用彩色图像的YCbCr彩色空间,将亮度分量分块后做离散余弦变换,在DCT块中选择中频系数,利用SVR很好的学习和泛化能力,建立中频系数与其邻域系数之间的关系模型,然后根据中频系数和SVR模型预测输出值,调整中频系数嵌入水印。提取水印时重新训练SVR模型,但不需要原始载体图像,实现了水印的盲检测。实验结果表明,该算法具有良好的不可感知性,对色度变化、低通滤波、模糊、锐化、亮度、对比度增强、添加噪声以及几何变换等攻击均具有较强的鲁棒性,尤其对JPEG压缩具有很强的抵抗能力。     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

基于任务的装备器材非稳态需求预测

基于任务的装备器材具有非稳态、小样本等特征,针对其需求难以准确预测的问题,提出非稳态区间划分和支持向量回归(support vector regression, SVR)的预测方法。首先根据非稳态度量函数将需求序列划分为稳态子区间,然后对各子区间采用SVR进行预测,同时针对基于径向基函数(radial basis function, RBF)核函数的SVR对参数的敏感性问题,采用布谷鸟搜索算法(cuckoo search, CS)对SVR参数进行寻优,最后将各区间的预测结果进行加权求和得到最终预测结果。算例对比分析表明,该方法能够一定程度上降低数据非稳态影响,提高任务器材需求预测准确率。     

基于稀疏型支持向量回归的时间序列预测

为提高支持向量回归在时间序列预测应用中的学习速度和泛化性能,提出了稀疏型支持向量回归方法.通过牛顿优化法,直接优化支持向量回归的原始问题.然后利用Cholesky分解更新原始优化中的Hessian矩阵实现稀疏型支持向量回归算法.最后将该算法运用到Mackey-Glass,Lorenz和Logistic混沌时间序列预测,仿真结果表明本文提出的方法能够在确保预测精度的前提下,有效地降低支持向量的个数.     

基于支持向量回归的地铁牵引能耗预测

预测地铁线路未来牵引能耗.有助于评价线路的牵引用能效率、节约能源.地铁牵引能耗影响因素众多且呈非线性关系.因此基于历史数据建立支持向量机回归模型对地铁牵引能耗进行预测.首先,将牵引能耗的影响因素分为供电系统、线路条件、列车属性、运营组织及环境因素五类,并选取线路可变影响因素作为模型输入;然后,利用遗传算法对模型参数进行寻优,适用度函数设计采用交叉验证方法:最后,基于模型最优参数对牵引能耗进行预测.案例结果表明,交叉验证方法有助于提高模型预测精度;支持向量机回归模型的预测精度高于BP(back-propagation)神经网络模型与多元线性回归模型.     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。