基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

基于多分类支持向量机的智能辅助质量诊断研究

在分析比较目前常用的质量辅助诊断方法局限性的基础上,提出了一种基于多分类支持向量机(SVM)的质量控制图智能诊断新方法.该方法以SVM技术为智能核心,较好地解决小样本学习问题,避免了人工神经网络等智能方法在对小批量生产过程质量诊断时所表示出的过学习、泛化能力弱等缺点.另一方面,通过结合投票法和决策树的基本思想,所提方法拓展出对控制图混合型异常模式的识别能力,从而提高了对质量过程诊断的全面性和准确性.与其它几种常见人工智能方法质量诊断的效果进行对比,实验表明,所提方法容易实现、诊断精度高,为实现小批量加工过程的在线质量诊断与控制提供可行的思路.     

基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法.对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型.各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型.通过实例仿真,结果验证了所提出方法的有效性.     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

光滑支持向量机多项式函数的研究

为了找到多项式光滑支持向量机(polynomial smooth support vector machine,PSSVM)中性能更好的光滑函数,将正号函数变形并展开为多项式级数,得到一类光滑函数。证明了这类函数的性能,它既能满足任意阶光滑的要求,也能达到任意给定的逼近精度。用Newton-Armijo算法求解相应的PSSVM模型,实验结果表明,随着多项式光滑函数阶数的提高,逼近精度和相应PSSVM模型的分类性能也相应提高。     

一种基于EMD的模拟电路故障特征提取方法

为克服小波分析中混频现象对模拟电路故障特征提取造成的不准确,提出了一种基于经验模式分解的模拟电路故障特征提取方法。该方法通过对模拟电路输出信号进行EMD得到若干个内禀模态函数,以各IMF的能量作为故障判别的特征。并针对EMD中的端点效应问题,提出了基于遗传优化的最小二乘支持向量机预测方法。仿真实验结果证明了该方法的有效性。     

基于支持向量机的体数据分类算法研究

在由工业CT图像构成的体数据中,低密度材质的灰度与背景及伪影的灰度接近,影响了分类的准确性,进而影响体绘制的结果.针对这一问题,提出了一种基于支持向量机的体数据分类算法.首先以体素的灰度、梯度、局部直方图的熵和矩为样本特征进行训练,得到决策函数,并通过决策函数对体数据进行类别标记,再将具有相同标记的体素的灰度值变换到指定的灰度区间,最后利用阻光度传递函数对体素进行阻光度赋值,完成体数据的分类.实验结果表明,所提出的算法较好的实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸.     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能,需对其进行有效分类,以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题,提出了基于改进的局部保持投影的备件分类方法。首先,根据战时备件分类储备的影响因素,作为备件分类的特征指标,其次,利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维,得到低维特征向量。再利用支持向量机（support vector machine,SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优,提升备件分类精度,得到满足备件分类准确率最优时的降维维数和分类器参数。最后,通过对演习装备备件分类的实例分析,验证了模型的可行性和合理性,并对比分析了其他分类方法,表明该方法能够较好地解决战时备件分类的问题。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

鲸鱼优化相关向量机的网络控制系统变采样周期调度

针对资源受限的网络控制系统,提出一种基于鲸鱼优化相关向量机的变采样周期调度算法。通过网络监测模块获取网络带宽与数据传输时间数据,建立鲸鱼优化相关向量机的预测模型,实现对网络带宽及数据传输时间的预测。采用模糊推理计算系统各回路通信带宽的分配权重,进而结合通信带宽及数据传输时间的预测值对各闭环回路的采样周期进行计算,完成采样周期的实时调节。仿真结果表明,在资源受限条件下,所提算法保证了系统的稳定性与控制精度。