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MIKPSO-SVM方法的工业控制系统入侵检测

针对Kalman粒子群算法在优化基于支持向量机的工业控制系统入侵检测模型时易陷入局部极小的问题,该文提出了一种改进的多新息Kalman粒子群算法。所提算法不仅考虑当前粒子信息的观测值,同时充分利用之前时刻的有用信息对粒子的状态进行估计,为粒子位置的更新提供足够的冲量,使得算法跳出局部极小,从而提高了算法的优化精度。将所提出的改进算法用于支持向量机工控入侵检测模型参数寻优,并使用工控入侵检测标准数据集进行仿真研究。仿真结果表明:与Kalman粒子群、粒子群以及遗传算法相比,该文所提出的算法——优化的支持向量机入侵检测模型在检测率、漏报率和误报率等指标上都有明显提升。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于DNPSO的支持向量机的发动机故障诊断

设定了基于粒子序号和粒子邻居数量的动态邻域粒子群模式,并通过田口试验分析了6种测试函数的优化性能,选定了粒子群算法的惯性权重、粒子邻居数量及加速系数等参数的较优渐变模式,建立了具有较为广泛适应性且运算量相对较低的动态邻域粒子群模型.利用该模型优化了支持向量机的惩罚参数和核函数评估参数,在发动机的故障特征识别过程中,通过与BP神经网络及标准粒子群算法优化参数的支持向量机等分类器的比较,动态邻域粒子群算法优化的支持向量机具有较高的特征识别能力和较强的鲁棒性.     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

车辆跟驰情景下酒后驾驶行为动态特征参数提取

酒驾是导致重大交通事故的原因之一,酒驾辨识已成为交通安全研究中的重要问题。因此,提取不同驾驶倾向性驾驶员在跟驰状态下的酒驾特征参数对实现酒驾的准确辨识有重要意义。由问卷调查确定驾驶员驾驶倾向性;通过人因工程实验、驾驶模拟实验,采集不同类型驾驶员的生理、操作行为、车辆运行、驾驶环境等动态信息;采用神经网络分类器,获得备选特征集合的分类正确率估计,运用离散粒子群算法提取不同驾驶倾向性驾驶员的酒驾特征参数。验证结果表明提取的特征参数能有效辨识不同驾驶倾向性驾驶员是否酒驾。     

基于驾驶疲劳的高海拔地区公路平曲线线形指标试验研究

为提高高海拔地区公路平曲线路段交通安全,进行驾驶员疲劳测试试验。采用心率血氧测试仪、非接触式光电速度传感仪等仪器采集驾驶员在高海拔地区一级公路平曲线路段行驶过程中的心率血氧数据与汽车运行速度。分析驾驶员在该路段行驶过程中的驾驶疲劳特性,建立了驾驶疲劳度与平曲线曲率变化率之间的关系模型。试验结果表明,在高海拔地区长直路段或大半径圆曲线后接曲率变化率为0.06(°)/m或半径为800 m的圆曲线可有效缓解驾驶员驾驶疲劳。     

基于粒子群算法优化最小二乘支持向量机的网络安全态势评估

为了提高网络安全态势评估的准确性,提出一种基于最小二乘支持向量机和粒子群优化算法的网络安全态势评估模型.通过分析参数对最小二乘支持向量机性能的影响,并采用粒子群优化算法选择模型参数,建立网络安全态势评估模型,最后采用仿真对比实验测试模型的有效性和优越性.结果表明,本文模型获得理想的网络安全态势评估结果,可以为网络管理人员提供有价值的参考信息.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

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...     

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.     

城市环境下无人驾驶车辆驾驶规则获取及决策算法

城市道路多源信息环境下换道行为决策是无人驾驶车辆实现实际道路行驶的关键技术之一.为提取复杂动态环境下驾驶员的换道决策规则,利用PreScan软件搭建虚拟城市道路环境,基于Simulink建立6自由度车辆动力学模型,采用粗糙集提取驾驶员换道行为决策规则.结果表明本车与当前车道车辆的相对速度维持在4~7 m/s、相邻车道空间距离在20~35 m时驾驶员就会进行换道决策.研究结果可以为无人驾驶车辆在线机器学习提供规则知识库,并为进一步深入研究换道行为不确定决策提供理论基础.      

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.     

基于驾驶仿真的海底隧道出入口段视觉减速标线有效性

为提高海底隧道出入口段行车安全性，研究海底隧道出入口段不同视觉减速标线方案下驾驶员视觉特征变化规律。本文共设置了6种视觉减速标线方案，对26名驾驶员进行了室内驾驶仿真实验，采集了车速、注视点占比、瞳孔直径和察觉距离等数据，通过分析和处理数据判断视觉减速标线的有效性，分别建立了海底隧道出入口段车速与驾驶员瞳孔直径的回归模型，在海底隧道入口段二者呈非线性关系；出口段二者呈线性关系。采用驾驶员问卷调查法对视觉减速标线有效性进行了验证。结果表明：在海底隧道出入口段共设置的6种视觉减速标线方案均对驾驶员视觉特征有显著影响；与其他标线方案相比，白色鱼刺形减速标线设置下驾驶员瞳孔直径、A区域注视点占比、察觉距离和错觉影响最大，有助于驾驶员主动降低车速、提前采取减速措施，保障行车安全。     

SVM财务欺诈识别模型

利用我国资本市场的面板数据,选取2006—2015年公布的财务报表欺诈公司作为样本公司,以1∶1比例配比非财务欺诈公司,对27个指标(包括财务指标和非财务指标)进行分析,然后通过独立性检验对指标进行降维处理,最终保留8个建模指标.分别利用网格搜索算法、遗传算法和粒子群算法进行支持向量机模型的参数寻优,基于上述不同算法建立了三个支持向量机财务欺诈识别模型.最后,比较三个模型的运行效果,结果表明,通过粒子群算法寻找最优参数效果最好,据此建立的支持向量机模型可以很好地识别出财务欺诈公司样本.     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

基于改进型滑模控制的4WS汽车控制策略研究

针对线控四轮主动转向车辆受侧向干扰和变道行驶时存在的操纵稳定性问题,基于单点预瞄驾驶员模型、三自由度整车动力学模型和改进型滑模四轮转向（4WS）控制算法,建立了4WS整车驾驶系统,并设计了双移线行驶工况对其进行实验测试.在Matlab/Simulink软件中对该整车驾驶系统进行建模仿真,并与相同参数的经典型滑模控制的4WS车辆和无控制前轮转向（FWS）车辆模型仿真结果对比.结果表明:设计的改进型滑模控制器可以有效地实现双移线行驶工况,追踪理想横摆角速度,使质心侧偏角、车身侧倾角和侧倾角速度保持一个相对较小的值,并且对侧向干扰具有很强的鲁棒性.