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GAPSO-SVM的多级齿轮箱故障诊断新方法

多级齿轮箱是机械传动的重要部件,针对运行过程中的状态识别问题,研究并提出一种基于振动信号的小波包分解能量谱特征提取和支持向量机(support vector machine, SVM)的智能评估新方法。用小波包分解算法对振动信号进行分解,提取时频信号的能量谱构建多级齿轮箱状态特征集,训练SVM模型。针对SVM的惩罚因子C和高斯核参数g选择困难的问题,结合遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的基因粒子群算法(genetic algorithm-particle swarm optimization, GAPSO)优化SVM参数。GAPSO同时具有GA全局搜索的性能和PSO快速收敛特点。将优化后的SVM算法应用于多级齿轮箱故障诊断,结果表明,GAPSO-SVM模型故障识别精度为98.55%,高于基本的SVM、PSO-SVM和BP神经网络,而且泛化能力强,该方法更适合多级齿轮箱故障诊断。     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.     

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Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

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.     

构造特征复杂性减低的支持向量机

支持向量机(SVM)较一般的机器学习方法显示出更好的泛化能力.然而,在实际的数据中经常存在着大量冗余、噪声或者不可靠的特征,这严重影响到SVM的性能.因此,有必要减低特征复杂性以获取更好的SVM结果.本文提出了一种基于遗传算法(GA)的嵌入式框架下的特征优化算法,以构造改进SVM.针对选择的UCI成人数据库的实验表明,与原始的SVM相比,提出的改进SVM方法获得了更少的支持向量数目和更好的分类精度.