基于支持向量机和粒子群算法的励磁系统频域辨识

针对励磁系统参数实测及建模问题,提出了采用支持向量机和粒子群算法进行励磁系统参数频域辨识的方法.先用支持向量机方法来提取特征样本,然后采用粒子群算法和这些少量的特征样本对励磁系统进行参数辨识.用支持向量机筛选出的特征样本一方面可以减少粒子群算法的计算时间,另一方面还可以提高模型的辨识精度.实际算例表明粒子群算法用于频域辨识时实现过程简单,对简单模型和复杂模型都可以得到较好的辨识效果.     

基于最小二乘支持向量机的自适应逆控制

主要针对基于最小二乘支持向量机的自适应逆控制方法进行了研究.初始过程的逆模型,建立了基于最小二乘支持向量机,并通过剪枝算法将支持向量的数量减少.在这种自适应逆控制机制中,逆模型通过递归最小二乘算法更新,控制器依据ε-滤波进行在线调整.仿真结果表明,该辨识方法具有良好的逼近能力,且自适应逆控制系统具有良好的鲁棒性.     

支持向量机在电液伺服系统辨识建模中的应用

提出了电液伺服系统的支持向量机的辨识建模方法。利用电液伺服系统的可测参量,建立了基于支持向量机的电液伺服系统的模型。以电液位置伺服系统为例,进行了仿真实验。仿真结果表明支持向量机模型具有辨识精度高,推广性能好的优点,从而验证了该方法的正确性和有效性。     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

线性规划支持向量机在非线性系统辨识中的应用

使用线性规划优化技术代替二次规划优化技术,通过最小化支持向量数来实现支持向量机算法.由于线性规划支持向量机的核函数不需要满足Mercer定理,因此,采用复高斯小波B样条小波作为支持向量机的核函数,建立了线性规划支持向量机模型,并将其用于非线性系统的辨识.仿真结果表明,线性规划支持向量机模型的辨识精度高于二次规划支持向量机模型.     

利用支持向量机的摩擦模型参数辨识

以Tustin摩擦模型为参数辨识对象,提出一种基于支持向量机算法的摩擦模型参数辨识的方法.构建训练样本并选取适当的支持向量机模型,选择具有较好泛化能力的径向基核函数和具有稀疏性特点的ε不敏感损失函数,以求解最优化问题,得到最优解.以某直流电机高精度位置伺服系统为对象,用辨识得到的参数估计值设计摩擦力矩的补偿环节,对系统进行补偿,仿真结果表明,算法的辨识精度比较高.     

支持向量机非线性系统模型辨识的研究

采用标准支持向量机(SVM),v-支持向量机,模糊支持向量机,充分发挥其可以任意逼近非线性模型的良好特性对非线性系统进行模型辨识,通过仿真试验表明SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.     

支持向量机与神经网络在减振器建模中的应用

提出了利用支持向量机回归建立减振器非参数模型的方法。之后,利用支持向量机建立的模型与两类神经网络模型进行了对比。一类是反向传播神经网络,另一类是径向基函数神经网络。这三种模型分别在虚拟减振器与真实减振器上进行了比较。比较结果证明反向传播神经网络对虚拟减振器的辨识结果最好,而支持向量机回归算法对真实减振器的辨识效果最好。其原因是由于真实减振器的试验数据均具有噪声,而支持向量机对噪声具有一定的鲁棒性。     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

基于模糊最小二乘支持向量机的火灾信号辨识

针对火灾信号特征参数的模糊特性,采用混沌量子遗传算法对模糊最小二乘支持向量机的参数进行优化,建立基于模糊最小二乘支持向量机的火灾信号辨识模型.研究结果表明:基于混沌量子遗传算法的模糊最小二乘支持向量机火灾辨识模型相对误差为1.1％,具有较高的辨识精度;火灾信号辨识性能指标即O2质量分数减少值权重γ1、H2质量分数权重γ2、烟气质量分数权重γ3、温度权重γ4和CO质量分数权重γ5满足:γ3＞γ4＞γ5＞γ1＞γ2.     

一个广义三次样条光滑半监督支持向量机

研究半监督支持向量机分类优化模型的非光滑问题。建立了光滑半监督支持向量机模型,采用广义三弯矩法导出零点二阶光滑的广义三次样条函数,并以此逼近半监督支持向量机优化中的非光滑部分。构造出基于上述样条函数的具有一阶光滑的半监督支持向量机,从而可以用优化中的光滑算法来求解该模型。分析了广义三次样条函数逼近对称铰链损失函数的逼近精度,证明了新模型的收敛性。数值实验显示新模型有较好的分类效果。     

基于多传感器信息融合的轮履混合移动机器人路况识别方法

针对未知环境下轮履混合移动机器人的路况识别问题,提出一种将支持向量机(SVM)与Dempster-Shafer(D-S)证据理论相结合的多传感器信息融合路况识别方法.设计了一个基于超声波传感器和红外传感器的数据采集系统,以提取路况的信息特征;以Platt后验概率为基础,建立了多类SVM的后验概率模型,并构造D-S证据理论所需基本概率分配(BPA)函数;同时,将SVM与D-S相结合的信息融合识别方法应用于轮履混合移动机器人的3种典型路况识别实验.结果表明,所提出的方法能够满足轮履混合移动机器人识别平坦路面、斜坡和台阶等路况的要求.     

一种基于2次核函数支持向量机的多步预测控制算法

提出了一种基于2次多项式核函数支持向量机的多步预测控制方法。通过黑箱辨识和线性化技术得到非线性系统的近似模型,根据预测控制机理,最小化滚动时域的二次型目标函数,利用模型算法控制的方法得到控制器的解析输出。通过一个标准预测模型和一个工业用连续搅拌槽式反应器的模型仿真验证了该控制器的性能,仿真结果表明:该控制器有着良好的预测性能。     

采用两阶段策略模型(KTSVM)的P2P流量识别方法

针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.     

基于均匀色差空间向量分解模型的彩色图像质量评价方法

针对三要素(亮度、色调和饱和度)空间方法缺乏视觉均匀色差思想的支持,而均匀色差空间方法又需要其他有效评价模型的补充,该文立足于图像的两个基本属性,即光特性(亮度、色调和饱和度)和结构特点,结合反映彩色空间特性的均匀色差空间模型以及空间向量分解模型,提出了均匀色差空间向量分解模型.实验结果表明基于均匀色差空间向量分解模型较传统评价方法和单项模型更能够全面地评价彩色图像质量.     

基于小波奇异性和支持向量机微铣刀破损检测

针对微铣削过程中刀刃破损的现象,提出了基于振动信号奇异性分析的自学习式支持向量机的刀具破损检测方法.对两种状态信号作连续小波变换,计算小波模极大值和信号的李普希兹指数(Lips).通过Lips识别刀具状态,拟合Lips分布概率密度函数并验证其符合正态分布,将Lips分布的均值、方差作为特征值,通过遗传算法参数寻优建立了刀具破损状态的支持向量机(SVM)识别模型,也称最优模型.利用最优模型预测刀具破损状态,其预测准确度从84%逐步提高至90%,提升了系统预测模型的鲁棒性.最后通过实验验证了该方法的有效性.     

工艺流程识别及阀门操作合理性的可视化监测

为实现工艺流程识别及阀门操作合理性诊断和可视化监测，利用半实物仿真系统采集的温度、流量信息建立了基于支持向量数据描述（SVDD）的工艺流程识别模型。对工艺流程识别进行了半实物仿真实验，对阀门操作进行了可视化监测和合理性判别，提出了基于数字滤波的改进工艺流程识别性能的方法。实验结果表明：无故障样本条件下建立的工艺流程识别模型能够准确地识别出相应的工艺流程，模型输出可以直观地反映阀门开度偏离设定工况的程度，为无故障样本条件下的阀门操作合理性诊断和可视化监测提供了一种新的技术手段。     

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.