基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

质子交换膜燃料电池混合建模研究

支撑向量机（SVM）理论完备,泛化能力强,很适合对燃料电池建模。但是建立高维SVM模型需要大量的实验数据,为了克服这一困难,使用SVM和压力增量机理模型相结合的方法对质子交换膜燃料电池进行混合建模：SVM模型只考虑电流和温度对电压的影响,而压力增量模型则在此基础上预测阴极压力和阳极压力对电压的影响。混合后的模型能够预测不同电流、温度、阴极压力和阳极压力下的输出电压。结果表明这种方法建立的数学模型误差小于1.6%,能够达到很好的拟合精度。     

基于支持向量机的换档质量评价系统

车辆换档质量是自动档车辆最重要的性能之一,因此换档质量的评价一直是车辆性能研究的一个重点。以支持向量机理论为核心创建的换档质量评价系统,综合考虑了车辆换档的各种工况和影响因素,利用支持向量机良好的泛化能力,能够稳定的对换档质量进行动态综合的评价。     

含作业到达时间的同类机调度问题启发式算法

研究了目标函数是最小化完成时间和的同类机调度问题,其中作业到达时间可能不同.此问题被证明是强NP-hard问题.由于同类机调度是一种重要的平行机调度问题,而最小完成时间和目标是最常见的正则目标之一,因此完成时间和的同类机调度问题在相关研究领域具有非常重要的地位.为此问题建立数学模型,通过对单机和同型机的相应问题研究成果的推广,提出6个启发式算法,给出算例及其计算结果,并通过实验对算法的性能及算法适应的情形进行了分析.     

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法.该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能.实验表明,该方法比传统方法具有更高的速度和精度.     

最小二乘支持向量机的预优共轭梯度法

针对Suyken等人提出的最小二乘支持向量机的共轭梯度法在输入样本的个数较大时,需要求解高阶线性方程组这一缺陷,提出了一种新算法。该算法利用分块矩阵的思想将该高阶线性方程组系数矩阵降阶,为了提高收敛速度,克服数值的不稳定性,采用条件预优共轭梯度法求解低阶的线性方程组。通过仿真试验证明用本文方法训练最小二乘支持向量机比共轭梯度法的训练速度提高了将近一倍。     

一种新的支持向量机快速训练算法

针对大规模数据集的分类中支持向量机的训练,为解决选取样本集合边界向量时需事先判定样本集合是否线性可分的问题,提出一种基于密度法的支持向量预选取方法。该方法不需要事先判定训练样本是否线性可分,具有较强的抗击噪音点和孤立点干扰的能力,并且计算简单,易于实现。实验结果证明了这种方法是有效的。     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。     

基于模糊支持向量机的小批量生产质量智能预测方法

在分析比较目前常用的智能工序预测技术及其特点的基础上,提出一种适合小批量生产过程的质量智能预测模型,并给出了相应的预测过程和算法.由于该模型中以模糊支持向量机(FLS-SVM)技术为智能核心,一方面较好的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进行预测时所表示出的过学习、泛化能力弱等缺点.另一方面,通过隶属度函数对样本进行模糊化,达到样本优化选择,实现历史数据“重近轻远”的预测效果.通过对具体加工过程的预测实验,并与其它几种常见预测方法效果进行对比,说明本文方法实现容易,建模速度快,小样本的泛化能力强,为实现小批量加工过程的在线质量预测与控制提供可行的思路.