基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断

针对光纤陀螺输出信号噪声成分复杂、故障特征难以提取的问题,提出一种基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断方法.首先,对光纤陀螺正常信号和故障信号进行3层小波包分解以提取特征向量;其次,通过引入改进Logistic混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,改进麻雀搜索算法并用于支持向量机参数寻优;最后,建立支持向量机模型进行光纤陀螺故障的识别和诊断.经实例分析,提出的方法可有效用于光纤陀螺故障诊断,与麻雀搜索算法、灰狼优化算法、粒子群算法、遗传算法和天牛须算法对比,可有效提高光纤陀螺故障诊断准确率.     

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.     

基于DeST仿真和GS-SVR算法对严寒气候区近零能耗公共建筑逐时负荷预测

目的 为使空调系统能够及时对近零能耗建筑室内负荷变化做出反应,提出基于DeST仿真与支持向量机回归算法(SVR)的预测方法.方法 以位于沈阳建筑大学校内的近零能耗示范建筑为例,通过DeST仿真得到模型需要的原始数据,利用网格搜索算法(GS)对支持向量机算法中的参数进行优化,采取优化后的支持向量机回归算法(GS-SVR)...     

支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

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.      

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.     

PD Es对RSV M中模型参数的影响

支持向量机(Support Vector Machines,SVMs)的分类结果严重受限于模型参数的选择.很多学者都在研究调参问题,但目前还没有一个行之有效的方法,常用的办法是网格搜索,一个近似选择参数的方法.以噪声(光暗,有遮挡)图像分类为背景,以正则化支持向量机(Regularized SVM,RSVM)为分类器,研究了偏微分方程组(Partial Differential Equations,PDEs)对RSVM模型中参数选择的影响.实验结果表明通过PDEs的进化可以弱化参数的影响,甚至不需要考虑调参.     

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

基于用户行为特征的手机端身份识别研究

基于智能手机用户在输入身份验证密码和滑动触摸屏过程中的个人独特行为特征,提出了两种身份验证方案,将单类支持向量机(OCSVM)算法应用到身份验证模型中,采用网格搜索算法获取模型的最优参数.实验结果显示两种身份验证方案都具有较好的泛化能力和验证精度,身份的验证过程不会干扰正常的用户操作.     

基于ISSA-LSSVM模型的短期电力负荷预测

精确的短期电力负荷预测对电力系统的调度与调峰等有着重要的影响。为了提高预测精度提出了基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化的最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型ISSA-LSSVM。麻雀搜索算法的改进过程首先采用Sobol序列产生初始种群,提高初始解质量;其次通过结合锦标赛排序算法避免原算法由于后期种群数量减少导致的种群多样性下降问题;最后引入柯西-高斯双变异提高算法全局搜索能力与重点区域搜索能力,帮助算法跳出局部限制。最后通过实际民用负荷数据对ISSA-LSSVM预测模型进行验证,结果表明ISSA-LSSVM模型的预测精度更高,预测结果更稳定。     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

基于MA-SVM算法的冷轧轧制力预测模型

针对传统轧制力预测模型计算误差大、泛化性能差的问题，提出了一种基于蜉蝣算法优化支持向量机的冷轧轧制力预测模型。该模型在支持向量机的基础上，引入蜉蝣算法对支持向量机的参数进行优化，解决了手动调参不确定性大且耗费时间的问题。本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试，结果表明：本文所选模型轧制力预测值与实际值误差在±5%的准确率为98.5%,模型误差小，具有较好的泛化性能，具有广阔的应用前景。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于GEP的支持向量机参数优化

支持向量机(SVM)具有优良的学习能力和推广能力,然而其性能依赖于参数的选取.本文对影响模型分类能力的相关参数(C、σ2)进行了研究,提出了一种基于基因表达式编程(Gene Expression Programming,GEP)的支持向量机参数选择算法,即根据参数在分类器中的作用,利用GEP优化参数的两种编码方案分别对C与σ2进行编码,期望改进支持向量机的分类精度和泛化能力.最后实验表明了本文算法的有效性.     

基于组合隶属度FSVM的图像边缘检测

文中提出了一种新的边缘检测方法——基于组合隶属度模糊支持向量机(FSVM)的图像边缘检测.通过对这种新的FSVM分类算法建立边缘检测的模型对加入椒盐噪声状态的图像进行边缘检测的实验.仿真实验结果表明,新的算法稳定性高,抗噪性能好,具有更好的检测效果.     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

改进麻雀搜索算法优化支持向量机的井漏预测

在钻井过程中，受地质环境，钻井技术等多种因素的影响，容易发生井漏事故。为预防井漏事故，减少因钻井事故带来的损失，本文提出了一种改进麻雀搜索算法（ISSA）优化支持向量机的井漏预测方法。首先，在发现者位置更新公式中引入了一种改进的自适应非线性惯性递减权重，提高算法全局搜索能力； 其次，在警戒者位置更新公式中引入莱维（Levy）飞行策略，减少算法陷入局部最优的风险。为验证改进算法的寻优能力，将麻雀搜索算法（SSA）、遗传算法（GA）、灰狼算法（GWO）以及改进的麻雀搜索算法（ISSA）在8个基准测试函数上做了对比实验。实验结果表明，改进的麻雀搜索算法（ISSA）在寻优精度，稳定性等方面都较其它算法更为优异。最后，将改进的麻雀搜索算法用于优化支持向量机（ISSA-SVM）的惩罚参数 和核参数 ，进行井漏事故的预测。结果表明，ISSA-SVM预测准确率为97.7654 ，相比于麻雀算法（SSA）-SVM、遗传算法（GA）-SVM以及灰狼算法（GWO）-SVM预测准确率都高，且收敛速度快，迭代次数少，能够高效、快速预测井漏事故，提高钻井效率和可靠性。     

GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

最小二乘支持向量机的算法研究

最小二乘支持向量机(LS-SVM)作为一种新颖的人工智能技术,已越来越广泛地运用于各个学科领域。该文阐述了最小二乘支持向量机的主要思想和基本算法;结合统计学习理论和算例分析了模型参数对模型精度、复杂度和计算量等的影响,为模型参数的确定提供了理论参考;还提出了最小二乘支持向量机的一种改进算法,通过工程实例对比了基于改进算法和原算法的最小二乘支持向量机模型的性能。算例表明该改进算法可以有效地提高模型的整体性能,便于模型在工程上推广使用。     

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.