基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit,APU)性能参数预测的精度,针对支持向量机(support vector machine,SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm opti-mization,PSO)算法实现对SVM惩罚参数和核参数...     

基于DPCA ALSSVR的燃气轮机负荷估算方法

燃机负荷的实时估计能够为燃机参与调峰创造重要的前提条件,针对燃机负荷的实时测算问题,提出了一种基于动态主元分析结合自适应支持向量机的燃机负荷回归估计方法.首先应用动态主元分析方法挖掘出与燃机负荷相关的主要参数,获得代表相关性程度的量化指标关联度.在此基础上,利用自适应支持向量机建立燃机负荷的回归估计模型,并通过交叉验证...     

基于带RBF核的SVM模型对红酒品质的精准分类

针对红酒品质的"精准分类"和影响红酒品质的重要指标问题,综合带RBF(径向基函数)核的SVM(支持向量机)模型、递归特征删除、深层次回归分析及单因素方差分析等方法,构建支持向量机模型和作用效力挖掘模型,使用R和SPSS进行编程求解.研究结果表明:该模型的精确率高达74.01％,且其误差绝对值最大不超过3,并找出影响程度...     

POS机,让选民登记提速

信息化登记的速度,到底有多快？作为上海市三个试点街道之一,闸北区宝山路街道在不久前结束的区人大换届选举选民登记工作中,用移动POS机读取社保卡进行登记,仅用短短6天时间,就全部完成了任务,让人叹为观止。对“上站．上网、上线．上机、上门”这几个登记渠道而言,最受青睐的是上机登记,只需要10至15秒钟的操作时间,就可以完成一位选民的登记工作。[编者按]     

改进的极小极大概率终端学习机

极小极大概率机(Minimax Probability Machine, MPM)、极小极大概率终端学习机(Minimax Probability Extreme Learning Machine, MPELM)和孪生极小极大概率终端学习机(Twin MPELM, TMPELM)在不对数据分布进行具体要求的情况下,可以为泛化误差提供明确的上界,同时使经验风险极小化。目前,MPM算法、MPELM算法和TMPELM算法主要是通过求解二阶锥规划模型的内点算法实现。本文利用支持向量机思想和凸二次规划的Wolfe对偶形式,对已有的MPM算法、MPELM算法和TMPELM算法进行了改进,并提出了三个新算法。实验结果表明,本文所提算法是有效和可竞争的。     

结构半主动变阻尼器地震反应控制数值模拟

针对半主动变阻尼器地震作用下多层建筑结构基于支持向量机（SVM）的半主动控制算法,选用四条地震波即El-Centro波、Hachinohe波、Kobe波以及上海人工波,并将峰值地面加速度均调幅至0.1gal.结果表明：总体上基于SVM半主动变阻尼器能够提高对结构层间位移和速度的控制效果;特别,消除了受控结构局部加速度放大现象.     

电力系统计算机仿真辅助教学软件研究

综述了近十多年来以ＰＣ机为基础的电力系统计算机辅助教学软件（ＣＡＩ）概况，分析了代表性软件的功能、逻辑结构及技术特点。进一步提出发展ＣＡＩ的目标和设想。     

An E.Commerce Recommender System Based on Content-Based Filtering

Content-based filtering E-commerce recommender system was discussed fully in this paper. Users＇ unique features can be explored by means of vector space model firstly. Then based on the qualitative value of products informa tion, the recommender lists were obtained. Since the system can adapt to the users＇ feedback automatically, its performance were enhanced comprehensively. Finally the evaluation of the system and the experimental results were presented.     

由电流环实现的多机通信系统

为解决恶劣环境下的远距离通信问题,本文设计了由电流环实现的多机通信系统,实践表明,该系统运行可靠,传输距离远,抗干扰能力强。     

一种LDA和聚类融合的SVM多类分类方法

改进传统的基于二叉树结构的支持向量机多类分类方法。将无监督聚类引入到算法中,利用无监督聚类剔除大量的非支持向量样本,同时对于无监督聚类在异类样本相近时出现的性能下降问题,引入线性判别分析使得同类样本聚集,异类样本分散,确保聚类精度。线性判别分析和无监督聚类结合能够显著地缩减训练样本。该方法能够在保持分类准确率的情况下有效地提高SVM的分类速度。