基于粗糙集理论与最小二乘法支持向量机的绝缘子等值附盐密度预测

气象因素和绝缘子的污闪过程存在密切的关系,由于气象因子对绝缘子的等值附盐密度影响复杂,难以建立精确的数学模型,本文提出了一种结合粗糙集理论的最小二乘支持向量机的等值附盐密度的预测模型,首先对多种气象因子进行属性约简,去除了冗余因素,将对等值附盐密度影响最大的因子找出来,并作为模型的输入。实例表明该方法法建模速度快,预测精度高,是一种新型的有效算法。     

造船重大装备——程／数控机械手肋骨冷弯机

新型“JXS型程控机械手肋骨冷弯机”和“SKJXS型数控机械手肋骨冷弯机”,共有1000kN、1600kN、2500kN、3000kN、4000kN、5000kN、6000kN、7000kN、8000kN等9种型号,已被国内外90多家船厂采用,现已出口至韩国、越南和泰国的船厂。本设备机构合理、外形简洁灵巧,是我国目前具有自主知识产权,     

基于高维空间映射失配补偿方法的说话人确认

针对电话手机语音的文本无关说话人确认中,训练集语音和测试集语音来自不同信道所产生失配而导致系统性能下降的问题,采用一种基于高维空间映射的方法对系统进行补偿.在分析了已有的说话人确认系统的基础上,提出了一种基于特征参数映射支持向量机模型(PSVM)的说话人确认系统.首先用大量已知信道类型的语音训练出信道空间及映射矩阵,然后训练语音和测试语音都通过映射,消除因信道不同而导致的失配影响.在NIST数据库上的实验结果表明,这种方法弥补了训练语音和测试语音的失配,说话人确认系统的性能有了明显的提高.     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

基于GA-SVM算法永磁同步直线电机变载荷进给位置误差预测

针对永磁同步直线电机精密进给过程中,受到齿槽效应、端部效应及摩擦力扰动等非线性因素的影响,位置误差难以预测问题,提出了一种基于遗传算法(GA)优化支持向量机(SVM)算法永磁直线电机变载荷位置误差预测模型的方法。通过测量各种情况下永磁直线电机在运动过程中的位置变化情况,利用遗传算法优化支持向量机算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,经过遗传算法优化支持向量机建立的位置误差预测模型,在拟合和预测精度上要优于未经过算法优化的位置误差预测模型。     

强夯机多体系统刚柔耦合动力学仿真与结构优化

针对强夯机满载率高,起重卸载频繁,工作环境恶劣等特点,以某新型强夯机为研究对象,基于多体系统动力学理论,考虑臂架各部件的柔性,建立了强夯机多体系统刚柔耦合动力学模型,通过动态响应仿真与试验对比,研究了整机在典型工况下的动力学特性,得出了臂架关键部件的运动规律及应力结果。借助于刚柔耦合动力学计算结果,根据优化设计理论和方法建立臂架结构优化的数学模型,通过优化计算后的臂架结构应力减少12.48%,最大位移减少15.47%,臂架总质量减少6.52%,强度得以充分发挥,整机各项性能得以改善。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于SVM的CVE漏洞分类框架构造

针对CVE字典缺少分类和归纳能力,无法为多重系统漏洞设计有效防御策略的局限,提出了CVE分类器的CVE漏洞分类框架.该CVE分类器根据不同的分类特征对CVE进行分类,在支持向量机的帮助下,CVE分类器自动地从相关的漏洞数据库（包括BID,X-Force和Secunia）中抽取训练数据,并基于该训练数据为分类特征建立学习模型.     

基于支持向量机的分布数据挖掘模型DSVM

本文对于基于支持向量机的分布数据挖掘模型的建立分析,是在对于DSVM中特征多叉树概念含义理解的情况下,通过进行基于移动Agent访问分布数据集原理进行特征多叉树构建的方法分析,并对于特征多叉树能够进行分布环境各数据集属性的总体特征反映的特征分析下,最终实现利用这种结构与支持向量机的特点,进行基于支持向量机的分布数据挖掘模型DS-VM的提出与建立。