基于WT与LSSVM的储层油水识别方法研究

为了依据测井数据迅速而准确地识别油水层性质,提出基于小波变换(WT)与最小二乘支持向量机(LSSVM)相结合的储层油水识别方法.首先,分析了基于测井曲线的常规交会图油水识别方法的不足;其次,以深侧向探测电阻率作为训练样本和测试样本对基于LSSVM的储层油水识别模型的准确性进行分析;最后,将WT与LSSVM相结合建立储层油水识别模型并结合常规测井资料对储层油水进行识别.实验表明,基于WT与LSSVM的储层油水识别模型具有较快的识别速度和较高的识别精度.因此,将WT与LSSVM相结合应用于储层油水识别建模是行之有效的.     

基于最小二乘支持向量机的阵列波束优化研究

针对标准支持向量机计算复杂度高、内存开销大、训练速度慢的缺点,为改善标准支持向量机的训练效率,快速优化阵列波束,提出了基于最小二乘支持向量机(least squares support vector machine,LSSVM)的阵列波束优化方法。LSSVM采用二次损失函数取代标准支持向量机中的不敏感损失函数,将不等式约束变为等式约束,从而将二次规划问题转化为一个线性矩阵求解问题,具有良好的快速性;与传统的标准支持向量机波束形成相比,所需计算资源更少,训练速度更快,计算效率更高,泛化能力更强。仿真实验结果表明:在保持波束形成的性能指标基本不变的情况下,LSSVM降低了计算复杂度,减少了内存开销,提高了运算速度和收敛精度,为波束形成器的优化设计提供了一种新的有效方法。     

安徽省某地区中长期电力负荷预测

以安徽省某地区2007-2014年用电量数据作为训练测试样本,采用灰色预测法、人工神经网络预测法和基于人工神经网络的最小二乘支持向量机（LSSVM）预测法计算其均方误差,结果表明,用基于人工神经网络的LSSVM预测法计算出的均方误差整体上比其他2种预测法要小.选用基于人工神经网络的LSSVM预测法对该地区2015-2017年的用电量进行预测,预测数据与实际数据基本接近.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

装配故障率的灰色最小二乘支持向量机分析

为了对装配故障率进行定量研究,用最小二乘支持向量机(LSSVM)对装配故障率与属性之间的关系进行了建模。在该模型中对影响故障率的5M1E(Man, Machine, Material, Method, Measurement and Environment)因素用装配可靠性评价方法(Assembly Reliability Evaluation Method, AREM)提取的装配故障率属性进行了改进,建立了装配故障率的全属性模型;为提高求解效率以及使装配可靠性控制更具有目的性,用灰色关联分析对装配故障率的属性进行提取,得到了主要属性,并用遗传算法对主要属性建立的装配故障率模型进行参数优化。用灰色关联分析提取的主要属性的LSSVM模型与全部属性建立的LSSVM模型和主要属性建立的BP神经网络模型的装配故障率预测进行比较,结果表明用灰色关联分析的LSSVM故障率模型不仅建模简单而且还具有预测精度高等优点。     

基于QR分解的稀疏LSSVM算法

传统最小二乘支持向量机(LSSVM)一般通过随机选择部分样本得到核矩阵的低秩近似提高解的稀疏性, 为了使该近似分解用尽可能小的低秩矩阵更好地近似原核矩阵, 提出一种]基于正交三角(QR)分解的QRP-LSSVM稀疏算法. 采用QR分解保持正交的特性挑选差异更大的样本, 迭代地精选核矩阵的部分列得到核矩阵的Nystr-m型低秩近似, 并利用分解结果快速求得最小二乘支持向量机的稀疏解. 实验分析表明, 该算法在不牺牲分类性能的前提下可得到更稀疏的解, 甚至在稀疏水平不超过0.05%的情况下准确率也较高, 可有效解决大规模训练问题.     

基于CHCQPSO-LSSVM的空战目标威胁评估

针对传统评估方法存在的模型精度低、结构复杂、无法进行实时动态威胁评估等问题,提出了一种基于最小二乘支持向量机(LSSVM)的空战目标威胁评估方法。首先,对空战特征数据进行威胁指数分析,结合专家评判构建威胁评估样本库;然后,采用交叉杂交的混沌量子粒子群算法(CHCQPSO)对LSSVM中的正则化参数与核函数参数进行寻优,并与经典PSO、BP神经网络、网格法模型进行对比分析;最后,用优化后的LSSVM模型实现空战目标实时动态威胁评估。仿真结果表明,所提方法评估精度高、用时短,为空战目标威胁评估提供了一种新思路。     

基于组合模型的主元分析预测监控方法

传统的基于主元分析（PCA）的过程监控技术可以对工业过程当前的状况进行监控，但难以预测系统未来的运行情况。本文在PCA监控方法的基础上建立预测模型，首先根据历史数据建立PCA的综合监控统计量模型，其次结合k邻近（k-NN）的最小二乘支持向量机（LSSVM）和灰色理论（GM（1,1））技术建立在线组合预测模型，实现对工业过程运行状态的预测。利用组合模型对一个多变量动态过程实例进行仿真，将预测效果与k-NN的LSSVM以及GM(1,1)各自单独的预测效果作比较，验证了所提方法在长期预测方面的准确性，表明基于组合模型的PCA预测监控方法特别适用于对缓慢漂移故障的长期预测。     

无穷维最优控制系统的N阶近似

讨论一类用无穷维系统方程描述的最优控制问题，把它看作为Ｈｉｌｂｅｒｔ空间上求算子方程的最小均方解的问题．在无穷维算子近似理论的基础上，用无穷矩阵奇异值分解方法得到无穷维最优控制问题解的形式，并研究这个解的有限维近似形式，建立一个有限的Ｎ阶最优控制系统，使得它的控制律与无穷维系统的控制之间误差最小     

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.     

LSSVM在指数寿命型小子样IC寿命预测的应用

针对传统寿命预测方法需要大量样本与现代高可靠集成电路（IC）在寿命试验中通常只有少量失效样本的矛盾,提出了基于最小二乘支持向量机（LSSVM）的指数寿命型小子样IC寿命预测方法。用蒙特卡罗方法研究了该方法在指数寿命型IC寿命预测应用中的可行性,同时与基于神经网络的预测方法相比,结果表明基于LSSVM的方法能更精确地预测小子样下IC的寿命,可为预测指数寿命型小子样IC的寿命提供一种新的有效途径。     

基于稀疏化LSSVM的物联网轻量级入侵检测方法

为适应物联网感知层节点计算能力弱、能量有限和存储空间不足等特点,提出基于稀疏化最小二乘支持向量机的物联网轻量级入侵检测方法,以最小二乘支持向量机作为分类器,通过改进的K均值数据稀疏和自适应剪枝的模型稀疏方法,使模型更好适应物联网苛刻的资源环境.实验测试结果表明:入侵检测模型的F1值达到0.9268,模型大小减少到81....     

基于PSO优化LSSVM的出水BOD5预测建模

针对城市污水处理中有机物污染度指标BOD5缺少运行状态信息难以做到实时检测,提出了一种基于粒子群算法（PSO）优化最小二乘法支持向量机（LSSVM）的出水BOD5预测控制策略。在保证出水水质参数稳定达标条件下,提取城市污水处理过程中输入输出参数数据,通过LSSVM对被控对象出水BOD5进行建模,同时利用PSO对LSSVM模型进行参数寻优,获得最佳正则化参数γ和核函数参数σ。仿真结果说明,该模型提高了对出水BOD5值的预测精度并具有良好的泛化能力,达到了实时性的效果。     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

基于多核对称最小二乘支持向量机的永磁同步电机混沌建模

针对永磁同步电机在一定情况下呈现混沌特性且混沌模型难以精确获得的情况,提出了一种基于多核对称最小二乘支持向量机的回归建模方法.在最小二乘支持向量机模型中增加对称性的约束条件,构成对称最小二乘支持向量机.将多核学习的方法与对称最小二乘支持向量机相结合,构造由多个基本核函数线性组合而成的新的等价核,用于建立永磁同步电机的混沌回归模型.仿真结果表明,与一般最小二乘支持向量机相比,该方法能够降低单个核函数的选择对建模精度的影响,提高混沌建模精度.     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

梳棉机动态数学模型的辨识

以A186型梳棉机为对象,设计了辨识实验,并进行了数据采集.在此基础上,运用增广最小二乘法(ELS法),建立了该型梳棉机用线性差分方程表示的动态数学模型.仿真和实际使用该模型的结果表明,所建立的梳棉机动态数学模型是合适的.     

PC机上并行计算线性方程组

作者从微机内存有限这一实际情况出发,采取内存与硬盘交换数据的方法,利用网络技术及可移植消息传递界面MPI,给出了在微机簇上实现求解较大规模线性方程组的并行算法。同时,此算法也适用于在单个微机上串行求解线性方程组。并编制程序在微机簇上进行了数值试验,得出了正确的计算结果。     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

一种基于数据挖掘的隐私保护方法

在数据挖掘隐私保护进行协作数据分析时,部分数据集可能分属不同的数据对象,处理时就需要采取不同的数据失真方法.提出了一组全新的数据失真优化策略,通过将属性划分与奇异值分解法(SVD)、非负矩阵因子分解法(NMF)、离散小波变换法(DWT)相结合,运用4种方案对隐私保护原始数据集的子矩阵进行扰动,并用一些衡量指标来衡量这些策略的效果;利用基于支持向量机(SVM)的二元分类来进行数据实用性的检测.结果表明与数据失真单策略相比,新提出的方案在实现数据隐私和数据实用性的良好平衡方面效果十分显著,为协作数据分析提供了可行性解决方案.