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.     

一种基于移动Agent的分布式DSS模型

剖析了目前分布式决策的需求,结合面向服务的思想,应用移动Agent技术,提出了一种网格平台上的分布式决策支持系统（DSS）模型和设计思路,说明了该模型的层次结构和运行机制．这种新的模型通过引入移动Agent技术,将复杂的决策任务求解分布到网格的各节点上,实现决策问题的并行异步处理,提高了系统效率,减轻了网格负载和系统对网络带宽的依赖,并应用WebService技术利用丰富的网格决策资源,最大限度地扩展模型库,知识库和数据库,提高DSS的问题求解能力．     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

巨厚砂岩顶板弱化下矿压显现特征

 以某矿210108 综采工作面为研究对象,针对工作面顶板较坚硬、不易自然垮落的特点,为得到该条件下的矿压显现特征,制定了巨厚砂顶板深孔爆破弱化条件下的现场矿压观测方案。通过对实测数据及现场矿压日报的整理分析,对采场矿压显现特征、顶板活动规律和超前支承压力分布规律进行了研究,并分析了初次来压和周期来压期间支架载荷的变化情况。结果表明,通过掌握坚硬顶板弱化条件下的矿压显现规律,对指导工作面安全高效开采具有重要意义。     

实船喷水推进泵空化识别试验

根据空化特征,提出了利用高阶导数判别空化特征频带的方法.对喷水推进泵壳体振动信号以及进口水声信号进行高阶导数计算,然后进行均方根标准化,通过特征频段滤波后在时域中求取超过给定阈值的极值,计算其均值、均方根值、方差、歪度以及峭度指标,利用基于最小二乘支持向量机（LS SVC）对实船测试的6种空化状态进行了分类识别.与传统的反向传播（BP）和径向基函数（RBF）神经网络识别效果相比,LS SVC的分类准确率更高,程序运行时间更短.     

基于面向对象技术的DSS模型设计与实现

根据面向对象技术的原理,探讨了基于面向对象方法的DSS模型的设计和实现方法.提出了基于面向对象DSS模型的定义和表示方法,使用了模型字典来进行模型的存储,描述了复合模型实现的方法.该模型表示方法已应用于信贷决策支持系统中,取得了令人满意的效果.     

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.     

基于改进最小二乘支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集、熵权法、自适应粒子群优化算法与加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想。首先阐述了粗糙集、信息熵、自适应粒子群优化算法和加权最小二乘支持机的基本原理,并改进了自适应粒子群优化算法的搜索方式和最小二乘支持向量机的加权方法;然后建立了基于粗糙集、熵权法和自适应粒子群优化加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

多步骤降维的肿瘤特征基因选择方法

针对基因芯片数据量大、样本数低和基因维数高的特点,提出了一种对基因芯片数据进行多步骤降维处理的分类方法.第一步,采用基因表达差异显著性分析方法(SAM)筛选得到差异表达基因子集.第二步,采用支持向量机(SVM)分类器对该差异表达基因子集进行进一步的分类降维.将该方法用来处理大肠癌和白血病数据集,得到了数量较少而分类能力较强的特征基因子集.实验结果证明该方法可以快速有效地筛选肿瘤特征基因.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。