基于PSO的氧化铝粉流量LS-SVM预测模型

针对电解铝厂生产过程中氧化铝输送流量在线测量问题,考虑到样本数据较少的因素,采用粒子群优化的最小二乘支持向量机方法,建立氧化铝超浓相输送中氧化铝粉流量的软测量模型.以粒子群优化的方法选取最小二乘支持向量机的模型参数,克服交叉验证法耗时与盲目性的问题,同时发挥最小二乘支持向量机的小样本学习能力强和计算简单的特点.通过采用实际数据进行仿真研究,结果表明,所建预测模型估计值与实际分析值吻合较好,从而验证了PSO-LSSVM预测模型对氧化铝粉流量准确估算的有效性.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题.对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度.定义了一种混沌映射构成混沌系统并分析了其遍历性.应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力.将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明:模型精度较高,泛化性能好,满足现场测量要求.     

基于PSO-LSSVM污水处理系统出水数据的软测量

以某公司污水处理系统为背景,利用各进水数据基于支持向量机建立软测量模型,实现对出水BOD5质量浓度、COD质量浓度的预测.针对支持向量机参数的选择问题,采用粒子群优化算法对其进行调整,最终实现污水处理系统BOD5质量浓度、COD质量浓度的软测量.     

基于支持向量机与遗传算法的发酵过程软测量建模

提出了基于支持向量机的生物量浓度在线估计软测量建模方法,采用遗传算法进行模型输入的选择与支持向量机参数的选取,目的是找到对模型估计结果贡献最大的输入特征变量,降低了输入空间维数,缩小了求解问题的规模,从而减低计算方面的难度,减少了训练实际,同时又通过参数的调整,得到更好的决策函数,提高支持向量机的性能.模型的训练与验证数据都是取自实际的实验过程——诺西肽发酵.结果表明采用遗传算法进行优化的支持向量机软测量模型对生物量质量浓度具有好的预估性能.     

基于FLS-SVM的火花塞离子电流点火信号时间差软测量模型及其应用

根据模糊最小二乘支持向量机的理论方法,提出一种基于发动机的转矩、转速以及点火提前角为特征参数的火花塞离子电流点火信号时间差软测量模型,并采用混沌量子遗传算法对模糊最小二乘支持向量机的惩罚函数C和核参数σ进行优化.研究结果表明:该软测量模型所得参数相对误差小于1.00％;其优化控制后的发动机CO体积分数比原型发动机降低8.61％,NOx体积分数降低12.83％; HC体积分数降低7.68％,取得了较好的排放性能.     

最小二乘支持向量机的参数优化及其应用

针对最小二乘支持向量机的多参数带来的参数寻优问题,将进化算法(遗传算法和PSO算法)应用其中,通过Sinc函数的测试,成功地实现了多参数的联合优化;将这一方法应用到德士古炉温软测量建模中,采用来自工业现场的实测数据进行仿真,将两种方法的仿真结果与常用的BP神经网络进行比较,可以看出两种算法都较好地解决了最小二乘支持向量机的参数优化问题.     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标———铁水硅含量[ Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机( R-S-LS-SVR)与多目标遗传参数优化的铁水[ Si]动态软测量建模方法。首先,针对标准最小二乘支持向量机( LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGIII加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标。在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[ Si]在线软测量模型。工业实验及比较分析验证了所提方法的有效性和先进性。     

基于支持向量机的出水TP软测量

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法,本文根据活性污泥法工艺中反应出水水质的重要参数TP(总磷)难于在线测量的情况,采用SVM方法建模,并采用粗糙集理论(RS)和主元分析法(PCA)进行数据的预处理。用某城市污水处理厂的实际水质参数数据,建立了出水TP基于SVM的软测量模型。和未经预处理的支持向量机进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,经粗糙集预处理数据后,不仅测量的误差值更小,而且大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

基于最小二乘支持向量机的振动切削力软测量模型及其应用

为提高振动切削过程工件加工精度,利用最小二乘支持向量机建立振动切削力软测量模型;利用数控车床振动切削实验系统所采集数据作为最小二乘支持向量机的输入参数,振动切削力作为输出参数进行仿真分析。研究结果表明:该振动切削力软测量模型具有较高的建模精度和较强的泛化能力;对振动切削力进行软测量后,加工工件表面粗糙度平均误差可降低50%以上,圆度平均误差可降低70%以上。     

基于PSO优化LS-SVM的木材含水率软测量建模

木材含水率是木材干燥过程中重要的技术指标。针对木材干燥过程具有强耦合、大滞后、非线性的特点以及木材含水率检测存在的问题,提出一种软测量方法。利用最小二乘支持向量机(LS-SVM)对非线性系统时间序列数据进行学习,建立被控对象的软测量模型,同时通过粒子群优化(PSO)算法对LS-SVM的惩罚因子和核函数参数进行滚动优化,提高软测量模型的预测精度。将木材干燥窑内的温度、湿度以及木材含水率作为样本数据,通过PSO优化的LS-SVM方法建立木材含水率的软测量模型,进而利用该模型实现对目标检测点木材含水率的软测量。仿真结果表明,PSO-LSSVM软测量模型预测精度高,泛化能力强,满足木材干燥控制系统的实际测量要求。     

Quantum-inspired evolutionary tuning of SVM parameters

The most commonly used parameters selection method for support vector machines （SVM） is cross-validation, which needs a long- time complicated calculation. In this paper, a novel regularization parameter and a kernel parameter tuning approach of SVM are presented based on quantum-inspired evolutionary algorithm （QEA）. QEA with quantum chromosome and quantum mutation has better global search capacity. The parameters of least squares support vector machines （LS-SVM） can be adjusted using quantum-inspired evo- lutionary optimization. Classification and function estimation are studied using LS-SVM with wavelet kernel and Gaussian kernel. The simulation results show that the proposed approach can effectively tune the parameters of LS-SVM, and the improved LS-SVM with wavelet kernel can provide better precision.     

牛顿法在求解支持向量机中的应用

支持向量机作为一种重要的机器学习工具,近年来受到了广泛的关注,并得以迅速发展.但在处理大数据时,求解支持向量机对应的二次规划问题是非常棘手的,计算时间长,存储空间大.如何有效求解支持向量机是一个不可回避的研究课题.本文主要研究了如何利用牛顿法求解支持向量机和双生支持向量机,并提出了两个新算法.实验结果表明,所提算法是有效和高效的.     

软测量技术的新进展及其在火电厂热工过程中应用

针对火电厂热工过程中传统测量方法所面临的问题,探讨和研究了目前在火电厂热工过程中使用软测量技术的最新进展及应用。并主要通过分析燃煤电厂烟气含氧量测量的现状,提出了基于最小二乘支持向量机的软测量方法,给出了相应的系统结构和算法。     

基于彩色图像特征的铜成分软测量模型

针对再生铜熔炼过程中铜成分离线检测时滞大的问题,提出了一种基于颜色特征的再生铜成分参数准在线估计方法.首先获取现场取样并固化再生铜样品的彩色图像,然后使用RGB颜色空间、色调和颜色向量角分别量化再生铜颜色特征,最后利用最小二乘支持向量回归（LSSVR）对铜成分参数建立回归模型,进而实现铜成分参数估计.通过对再生铜样品的对比分析,该软测量模型能够准确快速地估计出测试样本的铜成分,既解决了铜成分参数离线检测时滞大的问题,又满足了工程要求的精度,验证了利用彩色图像特征构建铜成分软测量模型的方法是可行、有效的.     

基于最小二乘支持向量机的压印字符识别方法

将最小二乘支持向量机引入到小字符集压印字符识别中.首先介绍最小二乘支持向量机的基本原理和主要算法,然后在实验中采用最小二乘支持向量机训练软件,针对标牌上的压印字符的数字集进行仿真,同时与神经网络等其他分类方法进行比较.实验结果表明此方法的识别率较高,在小字符集识别中具有较强的实用性.     

Support vector machine based on chaos particle swarm optimization for fault diagnosis of rotating machine

The performance of the support vector machine models depends on a proper setting of its parameters to a great extent. A novel method of searching the optimal parameters of support vector machine based on chaos particle swarm optimization is proposed. A multifault classification model based on SVM optimized by chaos particle swarm optimization is established and applied to the fault diagnosis of rotating machines. The results show that the proposed fault classification model outperforms the neural network trained by chaos particle swarm optimization and least squares support vector machine, and the precision and reliability of the fault classification results can meet the requirement of practical application. It indicates that chaos particle swarm optimization is a suitable method for searching the optimal parameters of support vector machine.     

自适应迭代算法支持向量集的特性研究

针对在支持向量机研究中,传统的优化方法无法处理规模不断扩大的分类问题,为设计适应大样本分类的训练算法,提出了基于块的自适应迭代算法。在该算法的训练过程中,块增量学习和逆学习交替进行,能够自动得到一个小的支持向量集。将该算法与SVML ight在支持向量数量方面进行了比较,计算了UC I(Un i-versity of Californ ia-Irvine)中的6个数据集和著名的Checkboard问题。结果表明:该自适应迭代算法确定的支持向量数一般不到SVML ight所得到的支持向量数的一半,其中70%多的支持向量被SVML ight所确定的支持向量集所包含,在支持向量选择方面具有高效性。