基于改进LS-SVM的液压舵机双闭环系统故障诊断

针对最小二乘支持向量机(LS-SVM)的稀疏性损失和鲁棒性下降等缺陷,提出了一种改进的LS-SVM算法.利用改进LS-SVM,设计了一个某型飞机平尾液压舵机双闭环控制系统的故障诊断系统.充分利用系统的可测参量,建立了基于改进LS-SVM的平尾液压舵机的全局故障检测模型和局部故障检测模型.仿真结果验证了该方法的有效性.     

基于LS-SVM的非线性鲁棒自适应飞行控制器设计

为解决因参数不确定,受外界未知扰动等非线性影响的飞行控制问题,以反馈线性化理论为基础,将最小二乘支持向量机引入控制结构,设计了一种基于在线逆误差补偿的非线性鲁棒自适应飞行控制器。经分析推导得出最小二乘支持向量机的自适应权值调整率,并应用Lyapunov稳定性理论证明飞行控制系统闭环渐进稳定。针对某型飞行器,通过构建平均气动模型误差方程模拟实际飞行环境下的不确定非线性影响,开展了6自由度飞行仿真对比试验,仿真结果证明所设计的控制器具有良好的指令跟踪能力和较强的鲁棒性。     

带有色观测噪声的系统状态参数鲁棒估计

针对非平稳观测系统的噪声,考虑了白噪、色噪声和尖点噪声同时存在的情况,通过变形转化,将系统噪声表示成白噪的形式,首次给出了统一的观测方程.转化后的观测方程在色噪声ARMA辨识基础上,可以直接用于传统的卡尔曼滤波算法,避免了扩维滤波.于是状态参数的稳健估计归结为ARMA参数的辨识问题.通过鲁棒支持向量回归机辨识ARMA参数,根据噪声特性选择合适的损失函数自由参数,从而实现了ARMA参数的鲁棒辨识.     

基于支持向量机元模型的随机鲁棒设计

随机鲁棒设计是一种基于蒙特卡洛仿真的优化设计方法.通常情况下,对于复杂仿真模型的随机鲁棒设计时间开销很大.为减小随机鲁棒设计过程中的时间开销,使用参数最优的最小二乘支持向量机替代仿真模型进行随机鲁棒设计.使用标准粒子群优化算法搜索支持向量机参擞和控制器参数的寻优.通过一个基准测试问题证明了该方法的可行性.     

基于LS-SVM的机器人逆运动学建模

提出了基于最小二乘支持向量机的机器人逆运动学建模方法，阐述了基本设计思想和具体算法过程，与RBF神经网络相比，最小二乘向量机的优点在于其训练过程遵循结构风险最小化原则，不易发生过学习现象。它通过解一组线性方程组得到全局唯一最优解。其拓扑结构在训练结束时自动获得而不需要预先确定，通过对二自由度刚性机器人的仿真，结果验证了该方法的有效性和可行性。     

基于贝叶斯框架下LS-SVM的时间序列预测模型

将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择,建立起时间序列的非线性预测模型.在推断的第一层,选择模型的参数,在推断的第二层,选择模型超参数,第三层,选择模型的核参数,并选择相关输入变量.该模型应用于加州电力市场现货价格的预测,取得了较好的效果.     

基于LS-SVM的浮选过程工艺技术指标软测量

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。     

基于LS-SVM的燃料电池控制建模的研究

由于直接甲醇燃料电池数学模型的复杂性难以满足工程上对DMFC控制系统的设计，提出一种基于最小二乘支持向量机建模算法，用具有RBF核函数的LS-SVM离线建立DMFC电堆的非线性模型；仿真和实验结果表明了该建模方法具有建模简单、模型精度高等优点，亦证明了该算法的有效性和优越性。研究结果对直接甲醇燃料电池控制系统的建模和控制具有一定的实用价值。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于LS-SVM的导弹在线误差补偿逆控制

提出一种基于最小二乘支持向量机(least square support vector machine, LS-SVM)在线误差补偿非线性动态逆控制器设计方案。首先运用动态逆的双阶段设计方法设计了导弹的逆控制器,即第一阶段采用动态逆方法设计快回路控制器实现对滚转、偏航和俯仰三个通道角速度的跟踪;第二阶段实现慢回路对滚转角、侧滑角和攻角的跟踪;然后,设计LS-SVM在线补偿器,以增强导弹控制系统的鲁棒性。通过仿真分析,验证了该方法的有效性。     

一类新的时序预报模型

对时间序列的一类新的建模与预报方法进行了研究 ,把灰色模型与自回归时序 AR模型组合建模 ,通过实例分析取得好的效果 .     

基于SVM的入库径流混沌时间序列预测模型及应用

针对常用的入库径流混沌预测模型只能做短期预测,且需要大量样本数据的问题,将支持向量机理论与混沌预测理论相耦合,建立基于支持向量机的入库径流混沌时间序列预测模型,该模型利用混沌理论中的相空间重构技术将原始入库径流序列映射到一个高维相空间,以相空间中的相,占为基础构造训练样本和测试样本,然后利用支持向量机理论进行预测。经实例计算,模型比基于最大Lyapunov指数的混沌预测模型、人工神经网络模型和自回归模型拟合效果好,预测精度高,丰富和发展了入库径流预测理论和方法。     

基于非线性时间序列的胎儿心电信号提取算法

研究了基于非线性时间序列的状态空间投影算法提取胎儿心电信号.母亲、胎儿心电信号以及噪声在状态空间中的吸引子表现形式不同,通过选择不同的邻域半径,将混合信号在某一局部范围内投影,就可以分离出所要监测的胎儿心电信号.对模拟的和实际测量的孕妇腹部混合信号仿真,都得到了较好的效果.相对于其它胎儿心电信号提取算法,该方法只需要一路导联信号就可以分离出胎儿心电信号,方便了医生对胎儿的监测.该算法对其它微弱特征信号提取具有借鉴作用.     

随机型时间序列预测方法的研究

提出了一种随机型时间序列预测的新方法，特别适用于趋势随机型数据序列的预测问题，与现有预测方法相比，具有计算简单、精度高的特点.     

基于EOF-SVD模型的多元时间序列相关性研究及预测

将奇异值分解同自然正交分解相结合,提出一种改进的正交奇异值分解方法.通过对原始数据进行自然正交分解,削弱原始数据之间的相关性,增强其用于分析及预测的能力,并得到相互正交的主成分代替原始数据进行奇异值分解,分析两个变量场之间的相关关系.在此基础上建立神经网络预测模型,实现多元时间序列的预测.采用该方法对三门峡处径流量同太平洋海温的耦合关系进行分析,并同常规奇异值分解方法进行比较,仿真结果验证了所提方法的有效性.     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

非线性时间序列的相空间重构技术研究

分析了混沌时间序列相空间重构中常用的C-C方法所存在的四点不足,提出了改进的C-C-2方法.该方法改进了时间序列关联积分的计算方法和参数,利用混沌序列周期N的概念,提出了通过寻找Scor(t)的第一个属于混沌序列周期N的局部极小峰值,来确定最优延迟时间窗口的判断方式;并只寻找平均ΔS2(t)的第一个极小值来确定最优时间延迟,所得结果更合适、稳定,而且将原算法的抗噪能力由30%提高到80%.     

一种基于Rough集的时间序列数据挖掘策略

阐述了基于 Rough集的时间序列数据的挖掘策略 ,重点讨论了时间序列数据中的时序与非时序信息的获取问题 .实践证明 ,Rough集理论作为一种处理模糊和不确定性问题的有效工具 ,对于时间序列数据的挖掘同样也是有效的 .文章强调了时间序列数据中的多方面信息 ,包括原始数据及其变化量、变化率所提供的信息.