参数寻优LSSVM算法在机载火控雷达工作模式判定中的应用

针对机载火控雷达工作模式判定问题,应用一种基于网格搜索和交叉验证的参数寻优最小二乘支持向量机(LSSVM)算法,实现对4种典型空空工作模式的自学习判定。首先,从非合作雷达信号中提取特征参数并构建雷达信号特征库作为训练样本;然后通过网格搜索进行参数寻优模型训练,实现样本范围不确定条件下的模型调整;最后应用K-fold交叉验证方法进行训练性能评价,减小样本随机性导致的模型误差,提高泛化能力。仿真结果表明,该方法对速度搜索模式、边搜索边测距模式、边扫描边跟踪模式和单目标跟踪模式的判定准确率达97%。     

基于Spark的LIBSVM参数优选并行化算法

利用Spark集群设计LIBSVM参数优选的并行化实现.LIBSVM是一款广泛使用的SVM软件包,广泛应用于模型搭建、样本训练和结果预测等方面.在用LIBSVM训练数据集时,参数的选择对训练结果影响显著,其中以参数C和g最为重要.LIBSVM软件包中采用网格搜索算法对C、g参数组合进行寻优,尽管该算法在单机上实现了并行化,但当数据量达到一定程度时,仍需要花费大量的时间.基于Spark并行计算架构,进行了LIBSVM的C、g参数网格优选并行算法的设计与实现.实验结果表明,提出的并行粗粒度网格搜索C、g参数优选算法比传统算法速度提升了近7倍,而且这一提升将随着集群规模的扩大而进一步加大.另一方面,在粗粒度网格搜索的基础上,进而提出的细粒度并行网格搜索算法又进一步提升了C、g参数组合的优选结果.     

蹴鞠训练中落球点轨迹跟踪方法研究

为了对蹴鞠训练中落球点轨迹进行准确跟踪,提高训练效果,提出一种基于遍历轨迹地图寻迹跟踪的蹴鞠训练中落球点轨迹跟踪方法,构建蹴鞠训练中落球点轨迹跟踪控制的约束参量模型,采用高精度地图的SLAM定位方法建立落球点轨迹跟踪的网格结构模型,根据网格模板匹配特征进行蹴鞠训练中落球点轨迹的动力学特征分析,建立蹴鞠训练中球的运动学和动力学模型,采用遍历轨迹地图寻迹方法进行最优轨迹寻优控制,采用多参量动态跟随方法实现蹴鞠训练中落球点轨迹跟踪.仿真结果表明,采用该方法进行蹴鞠训练中落球点轨迹跟踪的自适应性能较好,轨迹跟踪的精度较高,控制能力较强.     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

SCA-SVM模型在年径流丰枯识别中的应用

通过4个典型测试函数对一种新型全局优化算法——正弦余弦算法(SCA)进行仿真验证,仿真结果与粒子群优化(PSO)算法、模拟退火算法(SA)、布谷鸟搜索(CS)算法和人工蜂群算法(ABC)进行对比.利用SCA搜寻SVM最佳学习参数,提出SCA-SVM年径流丰枯识别模型.以龙潭寨水文站为例进行实例研究,利用月径流序列均值及标准差构建月径流分类标准,并基于该分类标准构造样本对SCA-SVM模型进行训练及检验,利用训练好的SLC-SVM模型对实例年径流丰枯进行识别.结果表明:SCA算法寻优精度远优于SA、CS、PSO和ABC算法,具有调节参数少、收敛速度快、寻优精度高和全局寻优能力强等特点;SCA-SVM模型对训练及检验样本的识别率均为100%,具有较好的识别效果和精度.     

基于集成学习CatBoost优化模型的爆堆大块率预测

爆破产生的爆堆大块率问题一直以来都影响着矿山的生产效益.利用机器学习机制中集成学习思想实现大块率预测.以满洲里乌山铜矿实际采集的36组实测数据为例,整理形成10种特征数据.通过给定参数循环训练调优,再用交叉验证网格搜索的方法进行模型二次调优,并对比调优实现后模型与随机森林法、XGBoost模型、LightGBM模型和CatBoost模型进行效果对比.结果表明,经过两轮调优后的CatBoost模型预测效果明显高于其他几种模型,R²准确度可达98.83%,证明了两轮调优后CatBoost模型具有较高的预测水平,验证了该方法在大块率预测研究中的可行性,为爆破参数设计和大块率优化分析提供了可靠的参考.     

一种基于支持向量机的企业财务危机预警新模型

为有效解决传统模型存在的小样本、高维数、非线性和局部极小点等问题，基于支持向量机方法建立了一种新的企业财务危机预警模型。该模型以财务危机预警指标体系为基础，企业财务危机与否的实际结果为学习样本．采用交叉验证和“格搜索”方法进行训练、验证，确定出最优分类函数。实例分析结果表明，该模型简单、有效、可行，为企业财务的动态预警提供了新的途径。     

基于越距离单元徙动校正的空间高速旋转目标ISAR成像方法

逆合成孔径雷达成像是实现对空间目标跟踪，成像与识别的重要手段，但是空间目标的高速旋转运动特性使传统的ISAR成像算法失效。针对这一问题，提出一种基于越距离单元徙动校正的ISAR成像方法。首先，建立空间高速旋转目标回波模型；其次，根据回波特性构造参考信号进行越距离单元徙动校正，实现目标散射点空间参数估计；最后，引入粒子群优化算法实现参数快速搜索。仿真结果表明，该算法可以有效提取目标参数，实现空间目标高质量成像，与传统成像算法对比结果验证了该算法的鲁棒性及优越性。     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

基于遗传算法的LIBSVM模型大坝扬压力预测研究

支持向量机（SVM）模型的核心问题是惩罚因子c和核函数参数g的选取.通常支持向量机库工具箱（LIBSVM）采用传统网格搜索算法进行参数寻优,只能得到交叉验证意义下的全局最优解,在更大范围内进行参数寻优比较费时,且效率较低,针对这一问题,提出了基于遗传算法的启发式寻优,以交叉验证（CV）意义下的准确率为适应度,通过一系列的选择交叉变异操作,得到最优的c和g,将优化后的SVM模型应用于大坝扬压力的预测.通过某大坝扬压力监测的实例应用,将遗传算法优化的LIBSVM与传统的LIBSVM预测相对比,预测效果更好,精度更高.     

融合全局与局部特征的UWB雷达人体动作识别算法

为了消除雷达信号中杂波和噪声对人体动作识别的干扰,提高小样本数据下动作识别的精度,在去除杂波及噪声干扰的基础上,提出一种融合全局与局部特征的超宽带（ultra-wideband,UWB）雷达人体动作识别算法。用动目标指示（moving target indication,MTI）结合自适应中值滤波对雷达原始回波信号进行预处理,再对人体动作的雷达二维特征图像利用主成分分析（principal component analysis,PCA）提取主要分量作为全局特征表征,并用二维离散小波变换（2D discrete wavelet transform,2D-DWT）结合奇异值分解（singular value decomposition,SVD）获取特征图像在不同方向与尺度划分下动作的局部特征表征,并将全局与局部特征进行串联融合;根据融合特征,在网格搜索算法（grid search,GS）优化的支持向量机（support vector machines,SVM）模型中实现人体动作的识别分类。实验结果表明,该算法能有效获取雷达信号中的人体动作信息,平均识别准确率为95.63%,具有良好的识别性能。     

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.     

基于时域模糊决策融合的雷达工作模式识别方法

在雷达工作模式识别中,侦察设备对雷达信号参数的测量误差严重影响了识别效果,针对这一问题文中提出时域模糊决策融合(TFDF)的雷达工作模式识别方法。首先分析了雷达脉冲组特征,在脉冲组层次提取雷达信号的脉冲组描述字(PGDW);然后基于联合隶属度函数改进传统的神经网络硬判决方式,实现雷达信号识别的模糊决策;最后运用DS证据理论将多个时刻的模糊决策融合,从而完成雷达工作模式的最终识别。基于时域模糊决策融合的识别方法可以有效改善参数测量误差对工作模式识别效果的影响。仿真结果以及对比实验表明,文中所提算法具有更好的抗噪性能,在雷达信号的参数测量误差为15%时仍具有90%以上的识别率。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于AT的锅炉燃烧温度场重建算法研究

为了监控燃烧状态,实现炉内温度分布的测量,提出了一种基于声学层析成像法（AT）的三层递进式网格化温度场重建算法. 该算法在最小二乘法（LSM）确定稀疏网格温度信息的基础上,利用最小二乘支持向量机（LSSVM）建立温度场的细密网格模型描述, 同时为了进一步提高重建精度,LSSVM重建模型的参数通过差分进化算法（DE）进行整定（简称为LLD算法）,从而建立整个待测温度场的细致温度描述. 通过对东方锅炉厂提供的三种不同类型的温度场进行重建,结果及误差分析表明LLD算法可以对待测燃烧区域温度分布信息进行全局性的描述,能实现温度场的高精度重建.     

基于改进的网格搜索法的SVM参数优化

比较了现今应用比较广泛的3种支持向量机(SVM)参数优化方法.具体分析了网格法、遗传算法和粒子群算法在SVM参数优化方面的性能以及优缺点,提出了一种改进的网格法.先在较大范围内进行搜索,在得到的优化结果附近区域再进行精确搜索.实验表明改进的网格搜索法耗时短,更适用于有时间要求的说话人识别应用中.     

Seasonal Least Squares Support Vector Machine with Fruit Fly Optimization Algorithm in Electricity Consumption Forecasting

Electricity is the guarantee of economic development and daily life. Thus, accurate monthly electricity consumption forecasting can provide reliable guidance for power construction planning. In this paper, a hybrid model in combination of least squares support vector machine(LSSVM) model with fruit fly optimization algorithm(FOA) and the seasonal index adjustment is constructed to predict monthly electricity consumption. The monthly electricity consumption demonstrates a nonlinear characteristic and seasonal tendency. The LSSVM has a good fit for nonlinear data, so it has been widely applied to handling nonlinear time series prediction. However, there is no unified selection method for key parameters and no unified method to deal with the effect of seasonal tendency. Therefore, the FOA was hybridized with the LSSVM and the seasonal index adjustment to solve this problem. In order to evaluate the forecasting performance of hybrid model, two samples of monthly electricity consumption of China and the United States were employed, besides several different models were applied to forecast the two empirical time series. The results of the two samples all show that, for seasonal data, the adjusted model with seasonal indexes has better forecasting performance. The forecasting performance is better than the models without seasonal indexes. The fruit fly optimized LSSVM model outperforms other alternative models. In other words, the proposed hybrid model is a feasible method for the electricity consumption forecasting.     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

基于GPU的面向SPH流体模拟的邻居查找算法

为了提高基于平滑粒子动力学( SPH)的流体模拟速度,提出了一种在图形处理器( GPU)上实现的基于网格的邻居快速查找算法.该方法首先使用粒子位置纹理信息建立对应的网格纹理,然后利用GPU排序方法按照粒子的网格索引进行排序,最后在排序后的网格纹理中得到粒子的邻居粒子索引,并将其赋值到预计算的粒子邻接纹理中.该方法克服了...