排序方式: 共有69条查询结果,搜索用时 171 毫秒
61.
现实数据集通常是呈非线性分布的,虽然很多最小二乘支持向量机算法利用分治策略可以对这一类数据集进行建模,但是由于子模型缺乏鲁棒性,所建的总体模型易受噪声的干扰进而失效。为了对带有噪声的数据集建模,提出了一种基于聚类的鲁棒的最小二乘支持向量机。首先,使用聚类方法将样本分成几个子数据集,每一个子数据集对可以相应地建立一个局部的最小二乘支持向量机来获取对应子数据集的局部动态性。其次,通过在损失函数里加入一个全局正则化因子,使得局部子模型间能够智能地协调,保证建立的全局模型不仅是光滑连续的,同时具有良好的泛化性和鲁棒性。数学和实际例子表明,对于含有噪声的样本集,所提出的方法具有更好的建模效果。 相似文献
62.
为了提高自动引导车控制的精度,提出了一种基于遗传算法和支持向量机的变结构控制方法。利用遗传算法结合支持向量机在线调整变结构控制律中的参数,克服了常规变结构控制方法中需预先设定趋近律参数的限制,既保留了传统趋近律的优点,又有效的改善了系统的控制品质,消除了系统抖振,使系统最终以理想方式在滑模面上运动,理论分析和仿真结果表明了所提出方法的有效性。 相似文献
63.
浮选过程关键工艺指标精矿品位和尾矿品位难以实现在线连续检测,且与浮选过程给矿浓度、给矿量、给矿粒度、给矿品位和浮选药剂量等因素动态特性具有强非线性、不确定性等综合复杂特性,难以建立精确数学模型。在分析了浮选过程工艺指标相关影响因素的基础上,采用最小二乘支持向量机(LS-SVM)建立了浮选过程工艺技术指标软测量模型,现场生产数据仿真研究结果表明了所提出的软测量模型的有效性。 相似文献
64.
基于SVM分类与回归的图像去噪方法 总被引:1,自引:0,他引:1
提出一种基于SVM分类与回归技术的图像去噪方法,即:去噪过程先利用SVM分类器将含噪图像中的像素分为噪声或非噪声点;接着,非噪声点像素值被保留,而噪声点像素值则通过SVM进行回归估计,从而达到去噪的目的.针对椒盐和高斯噪声在MATLAB6.5环境下搭建实验平台,运用OSU_SVM3.0和LS_SVM 工具箱分别建立4邻域、8邻域和24邻域3种分类和回归模型.去噪实验证明,与已有的算法比较,该方法能达到较高的峰值信噪比,具有很好的去噪效果. 相似文献
65.
LS-SVM的GCV模型选择方法与快速算法 总被引:1,自引:0,他引:1
在最小二乘支持向量机(LS-SVM)的模型选择问题中,基于再抽样技术的模型选择方法(如Bootstrap和快速Bootstrap),不能从根本上解决计算强度过高的问题.提出了基于GCV准则的模型选择方法,并建立了LS-SVM模型超参数(或旋转参数)估计的快速算法.实证研究表明:给出的快速GCV模型选择方法不仅能保证模型的预测精度,而且在计算速度上具有相对于快速Bootstrap的巨大优势. 相似文献
66.
基于均匀设计和最小二乘支持向量机的电容层析成像传感器优化设计 总被引:9,自引:1,他引:9
提出一种采用均匀设计与最小二乘支持向量机相结合的电容层析成像传感器结构参数优化方法.该方法以敏感场均匀度为设计目标,采用均匀设计安排试验,试验因素包括ECT传感器的4个重要参数即:极板张角,绝缘管道材料相对介电常数,管道壁厚,以及屏蔽罩与电容极板间的间距.运用最小二乘支持向量机对试验结果进行回归分析,并用因素轮换法进行寻优计算,从而得出优化的传感器结构参数.结果表明:经过优化的电容成像系统具有较好的成像效果.该方法试验次数少,具有较强的实用性. 相似文献
67.
68.
发酵过程中生物量浓度的在线估计 总被引:6,自引:1,他引:5
在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高. 相似文献
69.
This paper presented an entropy evaluation method for the influences of condense heat recovery system on the environment.Aiming at the damage of the condense heat to the environment,an entropy of re-source loss and an emission entropy from the condense heat recovery system in the air conditioning refrigerating machine were introduced.For the evaluation of the entropies,we developed a new algorithm for the parameter i-dentifieation.called the composite influence coefficient,based on the Least Squares Support Vector Machine method.By simulation,the numerical experiments shows that the Least Squares Support Vector Machine method is one of the powerful methods for the parameter identification to compute the damage entropy of the condense heat,with the largest training error being-0.025(the relative error being-3.56%),and the biggest test error being 0.015(the relative error being 2.5%). 相似文献