基于PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

基于人为误差的支持向量机——4E-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机（artificial error-support vector machine以下称AE—SVM）的基本理论,并建立了AE—SVM的理论模型。该模型是C—SVM模型的改进和推广。     

一种基于改进RVM变压器故障诊断新方法

对比于支持向量机(SVM),相关向量机(RVM)在分类性能方面优势明显.引入核主成分分析(KPCA)和量子粒子群算法(QPSO)对RVM电力变压器故障诊断模型进行优化.设定标准化的变压器主要特征气体含量为输入量,以二叉树的分类方法建立基于KPCA-QPSO-RVM的变压器故障诊断模型.通过实例分析,并且与SVM、RVM方法对比,证明该方法可以取得更优秀的故障诊断精确率,相关向量个数明显少于支持向量个数,诊断速度显著提高.     

基于改进鸡群算法和相关向量机的燃气轮机气路故障诊断技术研究

在管道输送过程中,燃气轮机的健康状态与管道的安全平稳运行密切相关。为提高燃驱压缩机组燃气轮机气路故障诊断的准确率,以双轴燃气轮机为对象,通过建模获得不同气路故障类型的数据集,引入相关向量机(RVM)模型对典型气路故障进行分类诊断,并采用改进鸡群算法(ECSO)对RVM模型的超参数进行寻优。结果表明,ECSO-RVM模型的分类精度为95.55%,明显优于支持向量机(SVM)、径向基核函数(RBF)神经网络、反向传播(BP)神经网络、改进蜂群算法-自适应模糊推理系统(IABC-ANFIS)和深度置信网络(DBN)等模型;在添加不同程度高斯白噪声的条件下,ECSO-RVM模型的分类精度始终保持在80%以上,说明该模型的分类精度、抗噪声能力和泛化能力较好,可用于燃气轮机气路故障的快速识别和诊断。     

基于ABC-SVM固体氧化物燃料电池电堆建模与仿真

为了更好地满足工程上对SOFC (solid oxide fuel cell)性能预测和控制方案设计要求,提出利用人工蜂群算法(ABC)优化支持向量机(SVM)来建立SOFC电堆模型。通过利用ABC算法优化SVM参数(核函数值宽度和惩罚因子),采用优化后的参数作为SVM的初始参数建立模型,与SVM、GA-SVM和PSO-SVM模型进行对比。实验结果表明:ABC-SVM模型平均平方误差小,说明该算法可以很好的预测在不同氢气流速下SOFC的电压/电流特性曲线。该模型对SOFC预测和控制方案设计有一定价值。     

基于支持向量机算法的连铸漏钢预报模型研究

漏钢预报系统的性能往往取决于其算法模型的性能,支持向量机(SVM)算法在解决小样本、非线性及高维模式识别中具有许多特有优势,能够避免神经网络隐含层节点选择及局部极小值等问题,而不同的SVM算法参数往往会对其性能产生显著影响。为此,本文利用GS网格搜索法、PSO粒子群算法和GA遗传算法对SVM支持向量机的算法参数进行了优化,并将优化后的SVM支持向量机算法应用到连铸漏钢预报系统中;利用某钢厂CSP连铸生产线的历史生产数据对各优化后的SVM支持向量机算法进行了训练和测试。测试结果表明,用GA遗传算法优化后的SVM支持向量机算法测试效果较好,得到了98.33%的预报率和100%的报出率,从而验证了基于SVM支持向量机漏钢预报系统的可行性和有效性。     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

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.     

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。     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

受限空间细水雾作用下烟气温度变化规律研究

利用热电偶测量细水雾作用下烟气层不同高度温度,研究雾滴粒径、雾通量和喷头与火源的水平距离等因素对平均细水雾降温速率（V）的影响规律．揭示了细水雾抑制火灾烟气温度的主导机理．利用实验数据推导V与雾通量之间的数学关系,建立V空间分布的三维数学模型,为细水雾技术用于火灾烟气抑制提供理论基础和必要的设计参数．     

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.     

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.      

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.     

基于粒子群优化的支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出了一种基于粒子群优化(PSO)的支持向量机(SVM)重建患者直肠感知功能的方法.分析人体直肠压力生理特征,将典型直肠压力收缩波形中的巨大移行性收缩(HAPC)作为产生便意的主要依据,利用小波包分析对直肠压力信号进行特征提取,通过提取的特征向量对基于SVM的直肠感知预测模型进行训练,使用PSO算法对SVM的参数进行优化,并利用训练后的模型进行便意预测,同时对比分析了参数优化后的SVM和不同核函数的SVM便意预测的准确率.实验结果表明,所提出方法切实有效,能够帮助患者重建直肠感知功能.     

基于改进多核学习的多传感数据分类方法研究

物联网（internet of things,IoT）技术中结合多个数据源互补信息提高数据分类准确率的研究受到了越来越多的关注。针对物联网无线传感器采集到数据的多源异构特性,给出了一种基于改进多核学习支持向量机（improved multi-kernel learning-support vector machine,IMKL-SVM）的IoT数据分类方法。传统的多核学习方法中核函数主要是采用经验法选取核函数类型及参数,本文改进方法在确定核函数类型及参数时分为两步：首先采用交叉验证方法初步确定核函数类型及参数;其次在第一步结果中利用支持向量机（SVM）同时训练样本和优化多核函数的类型及参数。实验中针对温度、湿度、光照、大气压力等4种数据设计了两组数据——第一组数据被标记为上午、中下午、傍晚、夜间4类,第二组数据被标记为白天、傍晚、夜间3类,比较了本文的IMKL-SVM方法、单核SVM方法及传统MKL-SVM方法在两组数据集上的分类准确率。此外,针对UCI公开数据集AReM进行了分类实验,实验结果表明IMKL-SVM方法针对具有多源异构特性的物联网数据实现了较高的分类准确率。     

波束形成算法指向误差时的稳健性研究

为有效克服期望信号方向存在指向误差而导致的阵列流形向量失配的问题,提出了一种基于支持向量回归机的波束形成方法.该方法在分析线性约束最小方差波束形成器的基础上,将支持向量机的损失函数引入到线性约束最小方差波束形成器的最优化问题中,从而使基于结构风险最小化原理的支持向量回归机算法与波束形成算法相结合.通过MATLAB仿真实验,在没有失配的理想情况和期望信号存在方向向量失配的情况下,选取不同的支持向量机参数以及信噪比,分析对2种损失函数的基于支持向量机的波束形成算法.仿真实验结果表明,该算法在期望信号方向存在指向误差时,依然能够保持较好的系统输出信噪比,具有一定的稳健性.     

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.     

Support vector machine applied in QSAR modelling

Support vector machine （SVM）, partial least squares （PLS）, and Back-Propagation artificial neural network （ANN） were employed to establish QSAR models of 2 dipeptide datasets. In order to validate predictive capabilities on external dataset of the resulting models, both internal and external validations were performed. The division of dataset into both training and test sets was carried out by D-optimal design. The results showed that support vector machine （SVM） behaved well in both calibration and prediction. For the dataset of 48 bitter tasting dipeptides （BTD）, the results obtained by support vector regression （SVR） were superior to that by PLS in both calibration and prediction. When compared with BP artificial neural network, SVR showed less calibration power but more predictive capability. For the dataset of angiotensin-converting enzyme （ACE） inhibitors, the results obtained by support vector machine （SVM） regression were equivalent to those by PLS and BP artificial neural network. In both datasets, SVR using linear kernel function behaved well as that using radial basis kernel function. The results showed that there is wide prospect for the application of support vector machine （SVM） into QSAR modeling.