LS-SVM模型在基坑沉降预测中的应用

沉降监测是深基坑工程施工过程中的一个重要环节。本文提出利用基于径向基核函数（RBF）的最小二乘支持向量机（LS-SVM）对某基坑的沉降资料进行分析。与灰色GM（1,1）模型进行比较,可知LS-SVM模型用于深基坑变形预测具有更高的准确性和有效性。     

基于LS-SVM的橡胶炭黑均匀度判定模型

为了减少橡胶生产过程中的废品率,需要间接、实时、准确地确定橡胶中炭黑的分散均匀度。基于结构风险最小化原则的支持向量机(SVM)是一种新型的机器学习方法,对于小样本决策具有良好的分类、推广能力．应用多元分类的最小二乘支持向量机建立了橡胶炭黑分散均匀度六级判定模型,并对实际数据进行判定,平均错别率下降到3．6％。结果表明该模型是可行的,并能快速、准确地判定橡胶炭黑的分散均匀度。     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题, 结合棉针织物的染色机理, 基于最小二乘支持向量机（LS-SVM）建立上染率模型并进行预测. 将提出的方法与BP神经网络法进行比较, 试验结果表明前者具有更高的预测精度, 验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

基于LS-SVM的热处理炉钢板温度预报模型

 根据中厚板热处理炉钢板温度控制的工艺特点,建立了一种基于混合核函数最小二乘支持向量机(LS-SVM)的热处理炉钢板温度预报模型,并给出相应的建模步骤。通过LS-SVM模型拟合输入与输出之间的复杂非线性函数关系,以现场生产工艺数据为训练样本对模型进行学习,再选取测试数据样本对模型进行仿真检验。将模型应用于计算热处理炉钢板温度的数学模型中,仿真结果显示,所建立的模型简单,预报能力强,具有广泛的应用前景。     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题,结合棉针织物的染色机理,基于最小二乘支持向量机(LS-SVM)建立上染率模型并进行预测.将提出的方法与BP神经网络法进行比较,试验结果表明前者具有更高的预测精度,验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

预设研究综述

"预设"这一概念源于哲学领域,自20世纪六七十年代逐渐引入语言学领域,目前它已成为语用学研究的重点对象。通过梳理预设研究中关于预设的定义、分类、特征及其触发语等4个方面的研究情况,认为目前国内外学者对这个课题的研究多局限于揭示预设的种类、特点和触发语情况,却很少探索预设的形成公理以及如何运用该理论深层挖掘人类话语的特点。     

基于LS-SVM的织物烘干含水率模型的应用

针对织物烘干过程中工艺参数设定把握不准,导致织物过烘或未烘透造成能源浪费或织物质量下降的问题,分别采用多元非线性回归、扩展的GM(1,1)、最小二乘支持向量机建立织物干燥过程中的含水率预测模型,并通过实验验证方法的有效性。实验结果表明,相对于其他两种模型,基于最小二乘支持向量机的含水率预测模型可以准确学习织物干燥过程中的非线性关系,预测值平均误差低至1.8%。因此,该模型是准确的,可以为烘干环节生产工艺的选取提供依据。     

基于LS-SVM方法的晴空逐时太阳辐射模型

利用浙江省杭州和椒江两站2003-2005年的晴空逐时气象数据,采用最小二乘支持向量机方法(LS-SVM),建立了晴空逐时太阳辐射模型.模型的输入因子为逐时天文辐射、气温、气压、水汽压、能见度和风速等要素,输出因子为逐时太阳辐射.模型数据分为2部分,其中2003年的数据用于训练建模,2004-2005年的数据用于模型的评估.结果表明,LS-SVM方法能够很好地模拟气象要素对太阳辐射的非线性影响,建立的太阳辐射模型精度较高,模型的解释性方差R2为0.950 5,均方根误差ERMS-0.159 0 MJ·m-2,平均误差EMB和平均绝对误差EMAB分别为0.005 3和0.124 1 MJ·m-2.根据浙江省68个气象站2005-12-15T14:00的气象要素,估算出的太阳辐射为1.39～2.24 MJ.m-2.基于LS-SVM方法的晴空逐时太阳辐射模型具有很好的学习推广能力,利用常规的气象观测资料,即可模拟出具有相似气候背景下的晴空逐时太阳辐射,为太阳辐射遥感反演提供地面数据.     

基于LS-SVM方向判别模型的WLAN室内定位方法

为解决WLAN室内定位中信号在传播过程受人体遮挡产生阴影衰落而影响定位精度的问题,提出了一种最小二乘法支持向量机(LS-SVM)方向判别模型的WLAN室内定位方法。该方法主要分为两个部分:首先,充分利用人体在不同遮挡方向上产生阴影衰落的接收信号强度变化(RSS)特征信息,判定人体遮挡方向;然后,通过LS-SVM回归算法建立指纹点特征数据与位置之间的映射关系获取定位点位置结果。实验结果表明,与传统利用SVM的定位方法相比,提出的方向判别模型可解决人体遮挡产生的阴影衰落影响定位精度的问题,提高了定位的实用性和鲁棒性。     

基于LS-SVM的多模型非线性主动预测容错控制

针对具有故障先验知识的非线性系统,在基于BP神经网络多模型预测的主动容错控制方法中,存在建模所需样本多、网络结构难以确定、收敛速度慢、易陷入局部极值及非线性预测控制计算复杂等缺点,提出一种基于LS-SVM的多模型主动预测容错控制方法.首先基于LS-SVM建立系统正常或已知故障模式的动态模型库,实际运行时依据对系统性能容忍度指标与模型失配度指标的实时计算分析,判断系统所处的不同运行模式,既而采用对LS-SVM非线性核函数的线性化近似表示方法求取对应系统不同运行模式的局部线性预测控制律以实现对系统故障的主动容错.以一非线性系统实例仿真验证所述方法的可行性和有效性.     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

基于LS-SVM的导弹费用估测研究

导弹系统的费用估算对于采办费用的控制、方案的优化设计具有十分重要的意义和作用,目前对导弹系统费用估算方法存在估算精度不高、泛化能力差、计算过程烦杂等问题,作者提出了基于最小二乘支持向量机的导弹系统费用估算方法,并采用了密度因子法来对样本集中的孤立样本点进行剔除.研究表明,最小二乘支持向量机能够较好地适用于导弹系统的费用的估算,并具有较高的估算精度.     

基于LS-SVM的IT企业信用评估研究

构建IT企业信用评价模型,采用LS-SVM方法对企业风险进行量化研究.研究结果表明,LS-SVM可以刻画IT企业违约与否的线性特征,并可将二次规划问题转化为线性规划问题,降低计算的复杂程度,是企业信用评级的有效工具.     

基于LS-SVM的边坡稳定性预测研究

针对边坡工程稳定性估计的复杂性,将最小二乘支持向量机引入到边坡稳定性估计的研究中,分别建立了边坡安全系数预测的最小二乘支持向量机模型和边坡稳定状态预测的最小二乘支持向量机模型,以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的边坡稳定性分析方法及其可行性．该方法具有一定的工程参考和实用价值．     

基于PSOGA的LS-SVM模型在时间序列预测中的应用

使用PSO与GA结合的混合算法PSOGA对最小二乘支持向量机(LS-SVM)模型的参数进行了优化,搜索到更优的参数,提高了模型的时间序列预测精度.在Mackey-Glass、Lorenz时间序列上的实验结果表明:本文模型预测精度较高.     

基于GCV的LS-SVM模型选择在个人信用评估中的应用

针对个人信用评估中数据海量性以及与影响因素之间的非线性问题,利用最小二乘支持向量机(LS-SVM)中基于GCV准则和Newton-Raphson算法的正则化参数快速选择方法建立新的个人信用风险预测模型.并把该模型与Fisher线性判别分析、Logistic回归以及半参数广义可加模型的判别效果进行了实证比较分析.结果表明该方法不仅具有快速高效的模型选择能力,并且具有较优的判别预测能力.     

预设投射研究理论评析

国外有代表性的预设投射研究理论和模式包括:累积假说、通道—塞子—过滤器理论和删除机制。通过对比分析各自的优势和缺陷,可以看出这些研究大都局限在语义研究的框架内,忽视了语用因素的作用。预设投射作为一种语言现象,要对其性质和行为作出科学而客观的描述,必然要与语言具体使用的语境相结合,这样才能给投射问题以较完满的阐释。     

胶印油墨流变特性研究

油墨的印刷适性与其流变学特性密切相关。利用流变学实验手段研究胶印红墨的粘度、触变性、粘弹性对油墨墨性的影响，从而得出了好油墨的共性指标。     

基于多重预设广义频率响应函数模型的故障诊断方法

为了避免在基于非线性谱分析的故障诊断中估计被分析系统当前的广义频率响应函数（GFRF），提出了一种基于多重预设GFRF模型的故障诊断方法。该方法使用不同的预设GFRF模型来表征系统的各种工作模态，并根据各预设模型与系统当前状态的匹配程度来判定系统故障，应用这一方法对实际的车辆减震弹簧的故障进行了诊断，测试结果表明，该方法对于工程应用是可行的，且该方法能避免在线估计GFRF，具有在线计量小、便于用微处理器实现的优点。     

基于LS-SVM的海底微地形预测应用研究

为解决传统机器学习中模型选择、过学习与局部极小值问题,针对自然海底微地形强烈的非线性、不确定性特点,提出海底微地形的LS-SVM预测模型.采用等式约束代替不等式约束,将二次规划问题转化为求解一次线性方程组,提高了收敛速度.实验结果表明,该方法预测结果误差较小,且实时性较好,可满足建立钴结壳最佳切削深度模型的需要.