基于多源数据融合的高速公路交通事故黑点判别

【目的】提高高速公路交通事故黑点判别精度。【方法】基于高速公路交通事故数据,融合异常驾驶行为数据与高速公路特征点数据,创建高速公路黑点特征数据集,并将集成学习的CatBoost算法应用于G4高速公路湖南段交通事故黑点的判别。【结果】与支持向量机、随机森林和梯度提升决策树算法相比,CatBoost在判别高速公路事故黑点上的准确率达到了81%,F₁值为0.88,A_UC值分别提高了17%、13%和17%,说明其判别效果优于其他3种机器学习算法。【结论】基于多源数据融合的高速公路交通事故黑点判别方法能够有效判别出高速公路存在的事故黑点,并能输出每个相关变量对事故结果的贡献值。研究成果可应用于高速公路事故黑点的筛查,并指导管理人员制定相应的预防措施。     

基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

一种基于最小二乘支持向量机的葡萄酒品质评判模型

对源自UCI数据库的葡萄酒数据进行预处理,选取径向基函数作为最小二乘支持向量机的核函数;然后,根据"一对一"算法设计出最小二乘支持向量机多元分类器,并应用交叉验证算法对参数寻优,建立葡萄酒质量评判模型.同时,用BP神经网络、标准支持向量机分类器对葡萄酒进行训练.对比实验结果表明:最小二乘支持向量机比BP神经网络、标准支持向量机的平均分类准确率高,最高分类准确率为100%.     

基于超球面支持向量机的综合传动状态判别

以油液光谱分析数据为基础,建立了基于超球面支持向量机的综合传动状态判别模型。利用主成分分析法,对油液光谱分析数据进行预处理,并进行主成分提取的研究分析。研究了参数的变化和异常样本对模型性能的影响。实验研究表明,基于超球面支持向量机的状态判别模型准确可行,能实现综合传动的状态判别。     

基于FA-SVM的高速公路交通事件检测方法

为了剔除交通数据样本有限、事件特征变量构建相对主观且包含的信息冗余等因素对交通事件检测效果的影响,设计了一种高速公路交通事件检测方法.利用因子分析技术将交通流数据初始特征变量"降维"并提取包含全部原始数据信息的特征变量主因子;利用支持向量机完成事件检测,结合libsvm软件中的grid. py模块实现支持向量机子模型相关参数的设定;选用Fresim软件的模拟数据进行对比分析.检测结果表明,所提出的算法检测效果优势明显.     

基于变量分析和粒子群优化加权随机森林的交通事件检测方法

为了提高高速公路交通事件检测的效果,首先从交通流基本参数、交通流组合参数、不同区间交通流参数对交通事件参数的变化进行全面的分析,构建交通事件初始特征变量集,并利用AdaBoost算法、梯度提升树(GBDT)算法、随机森林(RF)算法对初始特征变量进行筛选,通过三种方法综合比较分析得出最终的重要变量.对随机森林中的决策树进行加权计算,构建加权随机森林,并利用粒子群(PSO)算法优化加权随机森林模型.通过采集的高速公路交通事件数据进行对比分析,实验结果表明,在交通事件初始特征变量中筛选出重要变量,对检测的精度有所提高,加权随机森林的检测性能也要优于传统的支持向量机(SVM)和随机森林.     

基于相空间重构和支持向量机的小麦条锈病预测方法

小麦条锈病预测对小麦灾害的预防和控制具有十分重要的意义.本文使用相空间重构和最小二乘支持向量机相结合的方法对成都市小麦条锈病发病率进行预测.实验中使用成都地区的气象数据作为模型的输入参数,发病率作为模型的输出参数,对20例发病病例样本进行预测,得到了比较好的预测效果.实验中还与简单最小二乘支持向量机预测结果作了对比,结果表明,相空间重构和最小二乘支持向量机结合的模型预测准确率明显高于简单最小二乘支持向量机,因此本模型对小麦条锈病预测是十分有效的.     

高速公路实时事故风险研判模型及可移植性

通过G15沈海高速公路南通段上布设的高清卡口过车数据对路段上发生的实时事故风险进行研究.采用配对案例对照方法,结合基于随机森林的参数选取方法对3个子路段上的事故分别建立了支持向量机模型.结果表明,基于高清卡口采集的高分辨率过车数据构建的支持向量机模型相对既有研究中的模型而言其性能较优;对3个子路段分别构建的支持向量机模型进行可移植性分析发现各支持向量机模型均具有一定的可移植性,经过参数重新标定后可直接应用至邻近道路对其实时事故风险状态进行研判,并有着相对较高的预测精度.     

基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究

针对基于支持向量机的瓶盖装配检测算法准确度不高、调参难度大的问题,提出通过麻雀搜索算法(Sparrow Search Algorithm, SSA)对支持向量机(Support Vector Machines, SVM)的关键参数寻找最优解.采集瓶盖部位图像,包括标准、歪斜、铝塑分离、胶塞缺失、高盖5种类型.提取6个典型特征构建数据集,采用二分类支持向量机分类,分别通过遗传算法、粒子群算法和麻雀搜索算法对支持向量机参数进行调节.训练结果表明,麻雀搜索算法优化后的支持向量机模型测试准确率达到98.33%,高于其他几种算法.基于SSA-SVM的瓶盖装配检测模型识别精度高,调参速度快,泛化能力强.     

基于PSO结合SVM的肉品新鲜度判别方法

通过测定4种肉样品(猪肉、牛肉、羊肉及虾)的挥发性盐基氮(TVB-N)、细菌总数、pH值和感官评分等指标数据,运用支持向量机方法对以上数据进行综合训练得到数学模型,并对SVM模型参数采用粒子群优化算法进行优化,拟实现肉品新鲜度的快速准确分类.结果表明:仅采用某一项理化指标对肉品新鲜度进行判定误判率较高,而采用默认参数条件下的以RBF为核函数的SVM模型能一定程度上提高判别准确率,但利用PSO优化的SVM模型能将肉品新鲜度判别准确率提高到100%,且模型还具有极好的稳定性.     

改进的粒子群算法的小波支持向量机预警模型

将小波函数引入支持向量机核函数,同时在支持向量机的学习算法上,引入了改进的粒子群优化算法,使得支持向量机的参数得到最优解,从而建立上市公司财务困境预警模型。实验结果表明,本文提出方法的预测准确率高于普通的小波支持向量机预警模型。     

基于特征融合的ARMA短时睡眠状态分析

针对短时睡眠的特点,结合自回归-移动平均模型(Auto-Regressive and Moving Average Model,ARMA)对短时睡眠过程中的睡眠状态变化进行分析研究。以白天短时睡眠中记录的脑电信号为研究对象,首先,从脑电信号中提取了3个与短时睡眠过程相关的特征参数,采用条件概率方法对特征参数进行融合处理,计算得到一个表征睡眠状态的参数;然后,通过ARMA模型分析睡眠状态的变化趋势;最后,采用支持向量机(Support Vector Machine,SVM)方法将整个短时睡眠过程进行了睡眠状态的自动判别,并与人工判别进行比较。结果表明,基于特征融合的ARMA模型显著提高了睡眠状态分析的准确率,7组测试数据得到的平均准确率为88.7%。一方面,特征融合能够有效地提高数据处理速度,为睡眠状态实时检测提供有利的数据处理方式;另一方面,ARMA模型的预测作用,能够分析受试者的睡眠状态变化趋势,为进一步调整和控制睡眠时长提供客观评价依据。     

人工蜂群算法优化支持向量机的传感器节点定位

为了提高传感器节点的定位效果,针对支持向量机参数优化问题,设计一种人工蜂群算法优化支持向量机的传感器节点定位模型.首先采集传感器节点的相关数据,提取有效参数;然后采用支持向量机建立传感器节点定位模型,并采用人工蜂群算法解决支持向量机的参数选择问题;最后在MTALAB2014平台进行传感器节点定位实验.实验结果表明,该模型可以反映当前传感器节点的位置,获得较精准的传感器节点定位结果.     

基于模糊综合评价的道路交通状态判别方法研究

选取路段的平均行程车速、时间占有率以及交叉口平均延误为特征参数设计道路交通状态判别分析模型,根据采集到的交通信息数据,运用模糊综合评价方法判别道路交通的实时状态.实验结果表明,传统的方法对单个特征参数根据判别阈值得到的道路交通状态判别结果波动性大、精度不高,通过将其进行模糊综合评价后,判别结果有了较好的稳定性和准确性,所提出的算法能够提高交通状态判别的精度.     

基于支持向量机分类算法的多煤种煤 自燃危险性预测

为了高效地防治煤矿井下煤自燃,在分析现有的煤自燃预测方法的基础上,针对性地开展了基于支持向量机分类算法的煤自燃危险性预测研究.选取指标气体(氢气、一氧化碳、二氧化碳、甲烷、乙烯、乙烷)、气体浓度比值(烯烷比、Graham系数)和煤炭种类(褐煤、长焰煤、气煤、肥煤、焦煤、贫煤、无烟煤)作为特征指标,危险等级作为样本标签,建立了多煤种支持向量机煤自燃危险性预测模型.使用K-CV(K折交叉验证)法和网格搜索法、遗传算法、粒子群算法相结合的方式进行参数寻优,得出由网格搜索法确定的参数的模型分类准确率最高.将测试集带入模型进行检验,得出模型分类准确率为98.26%.最后将多煤种支持向量机模型与单煤种支持向量机模型和神经网络进行对比,得出多煤种支持向量机性能最优,能够很好地适用于现场煤自燃预测.     

道路网交通流状态变化趋势判别方法

根据城市快速路交通流参数实测数据所表征的交通流状态特性,结合基本图和三相交通流理论,将道路网交通流状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基础上,采用模糊信息粒化的思想,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同时段的道路网交通流状态映射为含有低边界值L、中值R和高边界值U三参数的模糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测交通流状态变化趋势.依据预测结果计算道路网交通流状态综合指数,判别未来时段道路网交通流状态,并以北京市某一区域路网为例进行实证性研究.研究结果表明:所提出的方法能够实现道路网交通流状态变化趋势判别,准确率为93.33%,同等条件下支持向量机模型判别准确率仅为86.67%.     

基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

为对矿井突水水源进行识别以减少矿井突水事故的发生,提出了粒子群(PSO)结合RBF核参数优化的SVM模型,并使用核主成分分析法(KPCA)对选取水源特征指标进行高效降维.根据水源离子敏感性选取了8种水化学指标(K~+、Na~+、Mg~(2+)、Ga~(2+)、HCO_3~-、Cl~-、F~-、SO_4~(2-))作为突水水源识别特征参数.使用基于最大方差关联度准则的核参数选择方法并结合粒子群算法构造参数优化算法,使用参数优选后的支持向量机模型对90组突水水源识别训练数据进行模型训练,用其余32组数据进行测试,模型实测效果与Logistic模型、PCA-Fisher模型以及PSO-SVM模型进行对比,结果表明:采用径向基核函数优化的支持向量机模型能够选取较优参数,模型实测平均准确率为93.75%,误差明显低于其他模型,证明了该模型能精准且高效地识别矿井突水水源.     

基于PSO优化MK-TWSVM的风机齿轮箱故障诊断

为了提高风电机组齿轮箱故障诊断的准确率,提出一种基于粒子群算法优化混合核孪生支持向量机的风电机组齿轮箱故障诊断方法.首先,在传统支持向量机的基础上引入孪生支持向量机,提高算法运算速度;其次,提出一种新的混合核函数取代传统支持向量机中的单一核函数,并选用粒子群算法对上述核函数的参数进行寻优;最后,搭建风电机组齿轮箱试验平台,采集具体的齿轮箱故障试验数据进行验证.试验结果表明,对比其他方法,本文所提出方法在诊断风电机组齿轮箱故障方面具有更高的识别准确率,因此具有较强的实用性.     

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.     

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。