采用SVM-PSO混合算法的光学电压传感器内电场优化

对光学电压传感器内电场的优化多采用有限元计算结合穷举搜索,该方法无法反映电场分布与传感结构参数之间的非线性映射关系,且计算与搜索费时、效率低,容易落入局部陷阱.为此,提出基于支持向量机(SVM)与粒子群(PSO)的电场优化混合算法.通过PSO优化SVM参数,建立电光晶体内电场分布模型,再由PSO对模型求解得到最优电场分布.以介质包裹结构为例,构建包裹介质的介电常数、厚度,以及长度与晶体内电场分布之间的非线性映射关系.该求解过程能够有效地避开局部陷阱,优化后晶体内电场均匀度提高了20.8%,训练时间节省了89%.最后通过实验验证了模型的有效性.     

基于GA-SVM的土力学参数与标准贯入击数反演

由于地质条件的多样性和复杂性,岩土力学参数的获取耗时耗力且过程十分困难,而岩土力学参数对于岩土结构分析、建筑抗震结构测评起着至关重要的作用。该文基于昆明地区大量土工试验及岩土工程勘察报告提取4类岩土类型,并从中提取4个特征向量输入SVM分类器进行训练,建立起土体力学参数与标准贯入击数之间的映射关系。提出一种基于遗传算法优化SVM分类器的方法,应用于岩土力学参数与标准贯入击数之间的反演,并与粒子群算法(PSO)优化SVM分类器的实验结果进行对比。结果表明,基于GA-SVM的方法在岩土工程参数反演中速度很快,并具有较强的实用性和泛化能力。     

非线性材料的拉普拉斯方程的建立

通过外场中非线性材料极化矢量和电磁之间的关系,建立了均匀静电场中均匀介质内非线性介质球满足的非线性拉普拉斯方程,以便求解静电势与外电场和非线性极化率的关系.     

基于非线性逆透视变换的摄像机畸变参数标定

为实现摄像机畸变参数标定,提出了一种基于非线性逆透视变换模型的标定新方法.根据线性透视变换模型和畸变模型推导出非线性逆透视变换模型,以及逆透视变换参数与畸变参数之间的关系;在此基础上,建立以畸变参数为最优解的泛函,然后进行优化搜索求解.在优化搜索中,采用改进牛顿法确定搜索方向,然后,采用试探法沿搜索方向进行一维搜索.该方法仅需对数目较少的畸变参数进行优化搜索,可大幅降低优化搜索的维度和复杂度.仿真和实验结果表明：该方法正确有效,求解精度较高.     

一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

基于GAPSO-SVM的航空发动机典型故障诊断

针对遗传算法（GA）和粒子群优化（PSO）算法优化支持向量机（SVM）存在容易陷入局部最优解、诊断精度相对较低、鲁棒性较差的问题,提出了一种结合GA、PSO、模拟退火算法的GAPSO优化算法,利用这种算法对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡.通过对航空发动机典型故障的诊断研究表明,该方法不仅能够取得良好的分类效果,诊断精度高于BP神经网络、自组织神经网络、标准SVM、GA-SVM,而且有较好的鲁棒性,更适合在故障诊断中应用.     

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

基于改进PSO的中厚板轧制规程能量优化设计

基于中厚板轧制规程优化是多个连续决策变量的复杂非线性优化问题,以最小化轧制能耗为目标,建立轧制规程的能量优化设计模型;基于粒子群优化算法(particle swarm optimization,PSO)进行轧制规程优化设计,通过规划最佳道次板厚分配实现轧制能耗目标最优;针对中厚板轧制生产特点及其对算法全局搜索能力和收敛速度的要求,提出一种改进PSO,通过构造新的惯性权重和加速系数非线性调整策略,平衡算法不同阶段的粒子全局搜索和精确搜索能力,引入局部平均值的同时构造非线性局部加速系数,以减小对收敛速度的影响。研究结果表明:改进PSO应用于轧制规程优化,能耗明显降低,全局搜索能力强且收敛速度快,综合性能比遗传算法、标准PSO及几种常用改进算法的优。     

车轮转速信号混合噪声的非线性Volterra滤波方法

为保证机车黏着控制品质,提出车轮转速信号所含混合噪声(高斯噪声和冲击噪声)的非线性Volterra滤波方法,并结合混沌优化策略及动态随机局部搜索算子,提出动态随机局部搜索生物地理优化算法对Volterra滤波器模型参数进行优化求解.利用Volterra滤波器的结构优势(具有预测性能、兼具线性和非线性项),既能滤除混合噪声又可满足黏着控制的实时性要求.仿真实验结果表明,经优化求解的非线性Volterra滤波器实现了对车轮转速信号所含混合噪声的有效滤除.     

大型电机线棒端部电场的有限元计算方法

由于大型电机定子线棒端部电场分布不均,造成防晕层表面易产生电晕和热老化现象。采用有限元弱解形式与多场建模相结合的方法,对大电机定子线棒端部防晕层电场及损耗密度分布进行了数值计算,并与阻容链算法进行了对比。结果表明,该算法能够避免阻容链方法所导致的算法误差,提高求解准确性;亦能有效解决传统有限元方法的建模及边界设定困难等问题,提高求解效率及精度;其防晕层损耗密度分布与电晕实验中的发热状况一致。该算法能满足具有多段非线性防晕结构的三维定子线棒端部电场计算的工程需要,可作为计算防晕结构及材料参数的理论依据,并为进一步建立优化计算模型提供基础。此外,该算法为存在表面电阻率的有限元电场计算提供思路。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

基于粒子群优化的支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出了一种基于粒子群优化(PSO)的支持向量机(SVM)重建患者直肠感知功能的方法.分析人体直肠压力生理特征,将典型直肠压力收缩波形中的巨大移行性收缩(HAPC)作为产生便意的主要依据,利用小波包分析对直肠压力信号进行特征提取,通过提取的特征向量对基于SVM的直肠感知预测模型进行训练,使用PSO算法对SVM的参数进行优化,并利用训练后的模型进行便意预测,同时对比分析了参数优化后的SVM和不同核函数的SVM便意预测的准确率.实验结果表明,所提出方法切实有效,能够帮助患者重建直肠感知功能.     

基于PSO参数辨识SVM的中长期径流预测研究

以径向基函数作为核函数,利用微粒群(PSO)算法的全局寻优特性进行支持向量机(SVM)的参数辩识.在微粒群搜索参数前,先对参数进行指数变换,使[0,1]和[1,∞]有着相同的搜索概率.微粒群算法的适应值函数是以支持向量机模型的推广能力为标准的,讨论了测试样本的最小误差和留一法对支持向量机学习方法推广能力的两种估计.最后...     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

基于PSO-SVM的多阶段产品质量预测控制方法研究

本文以钢铁产品为例,在分析多工序多阶段产品质量预测控制特点的基础上,建立了多控制点递阶SVM预测控制模型,在模型的求解过程中,提出了基于粗集理论和主成分分析法的数据预处理与模型简化,并利用带约束的PSO算法分别优化了SVM的核超参数和相关影响因素的决策范围,实现了多阶段产品质量预测和相关过程参数的全局优化,为生产过程的质量改进提供了科学的决策依据。     

基于PSO结合SVM的肉品新鲜度判别方法

通过测定4种肉样品(猪肉、牛肉、羊肉及虾)的挥发性盐基氮(TVB-N)、细菌总数、pH值和感官评分等指标数据,运用支持向量机方法对以上数据进行综合训练得到数学模型,并对SVM模型参数采用粒子群优化算法进行优化,拟实现肉品新鲜度的快速准确分类.结果表明:仅采用某一项理化指标对肉品新鲜度进行判定误判率较高,而采用默认参数条件下的以RBF为核函数的SVM模型能一定程度上提高判别准确率,但利用PSO优化的SVM模型能将肉品新鲜度判别准确率提高到100%,且模型还具有极好的稳定性.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.