基于LS-SVM的精确星光折射导航观测模型

星光折射自主导航系统的精度受到星光折射观测模型的限制。针对星光折射计算简化与大气参数随高度变化对星光折射观测模型的影响,提出一种基于最小二乘支持向量机(LS-SVM)的精确星光折射导航观测模型建立方法。首先通过光线追迹高精度模拟星光折射的过程,未对折射角计算进行简化,考虑大气参数随高度的变化,得到折射真高度与折射角的非线性映射关系。然后利用LS-SVM机器学习算法精确拟合折射真高度与折射角的关系,建立关于折射视高度的高精度星光折射导航观测模型。仿真结果表明,建立的精确星光折射导航观测模型精度较高,平均绝对误差为0.986 m。将该观测模型应用到星光导航系统中,导航精度较高,定位误差平均为130.7 m,平均速度误差为0.1479 m/s,证明了建模方法的有效性,对于星光折射自主导航的高精度研究具有一定意义。

采用改进遗传算法优化LS-SVM逆系统的外转子无铁心无轴承永磁同步发电机解耦控制

为了实现外转子无铁心无轴承永磁同步发电机(outer rotor coreless bearingless permanent magnet synchronous generator,ORC-BPMSG)的精确控制,提出一种基于改进遗传算法(improved genetic algorithm,IGA)优化最小二乘支持向量机(least square support vector machine,LS-SVM)逆系统的解耦控制策略。首先,基于ORC-BPMSG的结构及工作原理,推导其数学模型,并分析其可逆性。其次,建立LS-SVM回归方程,并采用IGA优化LS-SVM的性能参数,从而训练得到逆系统。然后,将逆系统与原系统串接,形成伪线性系统,实现了ORC-BPMSG的线性化和解耦。最后,将提出的控制方法与传统LS-SVM逆系统控制方法进行对比仿真和实验。仿真和实验结果表明:所提出的控制策略可以较好地实现ORC-BPMSG输出电压和悬浮力、以及悬浮力之间的解耦控制。

基于混沌遍历PSO的LS-SVM风电超短期功率预测研究

为了提高风电超短期功率预测准确度,提出了一种混沌遍历PSO优化的LS-SVM的风电超短期功率预测模型。采用混沌算法优化粒子群,提高粒子跳出局部最优的能力,用混沌遍历的粒子群优化LS-SVM的核函数核偏离系数,获得期望的输出。采集风电功率相关数据集,采用混沌遍历粒子群优化的LS-SVM算法建立风电超短功率预测模型。将混沌遍历PSO优化的LS-SVM和LS-SVM,对UCI的函数进行回归测试,验证了所提方法具有更高的预测精度。采用所提方法、GA-LS-SVM、LS-SVM、BP和SVM分别建立风电功率预测模型,对比结果表明,所提方法具有更好的预测效果,更适用于解决风电功率预测,为电网制定策略提供理论依据。

基于ARIMA和LS-SVM组合模型的短期风速预测

为了解决电力短期风速预测中存在的周期规律性误差序列问题,提出了一种改进的ARIMA-LS-SVM组合模型。首先分析了电力短期风速预测中的周期规律性误差序列问题,并确定了ARIMA模型作为基础模型。然后,引入最小二乘支持向量机(LSSVM)来修正ARIMA模型的预测误差。LS-SVM是一种非线性回归方法,通过将样本数据映射到高维特征空间,构建一个最优超平面来实现预测。通过对ARIMA模型的预测误差进行修正,可以更准确地预测电力短期风速。采用北京某地风速数据进行实验验证,结果表明,改进的ARIMA-LS-SVM组合模型在对北京某地风速进行预测时表现出了良好的预测精度和推广性。与传统的ARIMA模型相比,改进模型在各项评价指标上均取得了显著提高,验证了该方法的有效性和实用性。提出的改进模型克服了周期规律性误差序列对预测精度的影响,为电力负荷预测和风速预测等相关领域提供了一种有效的预测方法。

基于LS-SVM算法的遥感图像目标检测方法研究

遥感图像受到光照、拍摄角度、大雾等影响使得目标检测精度低,为提高遥感图像目标检测质量,通过计算遥感图像背景复杂度,进行目标区域的预提取,实施目标检测,提出基于LS-SVM算法的遥感图像目标检测模型。将提出的方法应用于舰船遥感图像和航空遥感图像的目标检测中,并和联合显著性特征和角度信息方法、改进SSD算法进行对比。结果表明该方法能够更好地对比较暗、尺寸比较小的目标进行检测,具有一定的应用价值。

用于损伤状态识别的极值延拓EMD和LS-SVM算法

针对机电系统损伤状态识别问题,提出一种基于极值延拓经验模态分解(EMD)和最小二乘支持向量机(LS-SVM)算法。首先,分析EMD算法的基本原理,针对端点效应利用多项式拟合极值延拓的算法改进设计方案,并利用标准化处理的特征向量设计程式;其次,考虑到机电系统损伤状态数据归属小样本特征,利用LS-SVM算法给出了状态识别的设计程式;最后,开展仿真验证实验。实验结果表明,采用所提算法的损伤状态识别方案,可以确保损伤状态识别的正确率超过96%,满足机电系统工程应用要求。

基于LS-SVM的金属矿山千米竖井工程造价控制方法

金属矿山千米竖井工程造价控制结构多设定为单层级,控制效率较低,导致最终工程造价价差增加。根据实际控制需求及标准,设定等效造价控制目标,采用多阶控制形式,提升整体的造价控制效率,完成造价控制结构的构建,建立基于LS-SVM的金属矿山千米竖井工程造价控制模型,采用竖井工程动态化监测及LS-SVM修正实现造价控制。测试结果表明:经过5次测定,与传统模糊自适应BP工程造价控制组、传统BIM工程造价控制组相比,LS-SVM工程造价控制组最终得出的可控价差控制在3万元以内,说明该造价控制方法的针对性与稳定性较高,控制效果更佳,具有实际的应用价值。

基于LS-SVM的宽带接收前端非线性补偿算法

针对目前常用的基于参数化非线性模型(Parameterized Nonlinear Model,PNM)的补偿算法存在易陷入局部最小值,导致补偿性能不稳的问题,该文提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法(Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC)盲分离接收前端输出信号中的大功率基波信号和其他小功率信号,并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归(Least Squares Support Vector Regression,LS-SVR)算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明:该算法可使宽带接收前端的无杂散失真动态范围(Spurs-Free-Dynamic-Range,SFDR)提高约20 dB,较基于PNM的补偿算法提高了约5 dB.

基于SOR-LS-SVM算法的公交站点客流量预测研究

公交站点客流量情况的及时准确预测对提供更可靠的公交服务和节省公交公司的运营成本是非常重要.首先对标准的LS-SVM算法进行了改进,得到一种新的SOR-LS-SVM学习算法.该算法不仅能减少计算的复杂性,提高学习速度;同时能提高函数估计的精确度.然后利用SOR-LS-SVM算法对公交站点的客流量情况进行预测和模拟.实验结果表明改进的SOR-LS-SVM算法具有较高的预测精度,且实验取得了较好效果.

露天采矿爆破振动对民房破坏的LS-SVM预测模型

利用支持向量机学习原理,研究露天采矿爆破振动对民房破坏的预测问题。选取爆破振动幅值、主频率、主频率持续时间、灰缝强度、砖墙面积率、房屋高度、屋盖形式、圈梁构造柱、施工质量和场地条件作为露天采矿爆破振动对民房破坏的影响因素,以工程实际检测数据为训练样本,建立露天采矿爆破振动对民房破坏的LS-SVM预测模型。利用32组爆破实验数据作为学习样本对支持向量机进行训练,建立相应的预测模型并通过回代估计方法进行回检,误判率为0,用另外12组现场实验数据作为检验样本进行测试,测试结果良好。结果表明,LS-SVM预测方法的误判率低,判别精度高,为露天采矿爆破振动对民房破坏预测提供了一种行之有效的新方法,可以在实际相关工程中展开使用。

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.

移动通信话务量多步预测的LS-SVM方法研究

针对目前移动通讯对话务量预测的高精度、高效率和多步预测需求,提出一种基于最小二乘支持向量机(least-squaresupport vector machine,LS-SVM)的话务量预测方法,采用自相关分析法确定LS-SVM建模输入样本的嵌入维数和延迟时间,最大限度地保留历史信息并降低样本的维数;在此基础上,以最少量预测值代替真实值构成多步预测的输入样本,解决了多步预测精度下降的问题。通过中国移动黑龙江有限公司完成的实际应用测试表明:该方法可以实现话务量的高精度、在线多步预测,具备良好的实用性。

基于LS-SVM的小微企业信用评估研究

构建并优化小微企业信用评估技术已经成为商业银行开展小微业务必然选择。基于小微企业内在特征,设计以小微企业现金流信息为违约触发机制的小微企业信用评估指标体系,构建最小二乘支持向量机模型(LSSVM),运用某国有控股银行的小微企业贷款微观数据证实该模型能够相对提高预测精确度和稳定性。应用LSSVM构建的小微企业信用评估指标体系以及评估模型有助于提升银行对小微企业的了解程度和小微业务风险管理能力,减轻信息不对称,在一定程度能够化解供给型信贷配给导致的小微企业融资难问题。

多因变量LS-SVM回归算法及其在近红外光谱定量分析中的应用

以LS-SVM算法为基础,建立了权重可优化的多因变量LS-SVM回归模型,给出了相应的算法(MLS-SVM),并从理论上说明了它与LS-SVM的关系。以64个高粱样品为实验材料,其中建模集与预测集中样品的比例为51∶13。从区间[0,1]之间均匀地随机选取5组权重,根据预测平均相对误差最小的准则,按照LOO方式确定了一组合适的权重及参数,建立了近红外光谱同时分析三个化学组分蛋白质、赖氨酸和淀粉的多因变量定量分析模型。结果得到三个组分模型的预测值与实际值的平均相对误差分别为1.65%,6.47%和1.37%,相关系数分别为0.9940,0.83920.8825,而LS-SVM算法建模预测三个组分的平均相对误差分别为1.68%,6.25%和1.47%,相关系数分别为0.9941,0.8310和0.8800。可见MLS-SVM算法与LS-SVM算法的建模分析效果相当,且都取得了较满意的结果,验证了MLS-SVM算法同时定量分析多组分含量的可行性。另外,文章也验证了不同权重对MLS-SVM算法的预测性能有一定影响,由此表明在实际多因变量建模分析中对权重进行优化是必要的。

基于DT-CWT和LS-SVM的苹果果梗/花萼和缺陷识别

该文提出了一种基于双树复小波变换(DT-CWT)和最小二乘支持向量机(LS-SVM)区分苹果的果梗/花萼和缺陷的方法。对苹果图像使用DT-CWT分解,使用变换后得到的高频子带系数的均值和方差构造特征向量,然后使用最小支持二乘向量机作为分类器进行分类。对180幅苹果图像进行了试验。讨论了DT-CWT分解层数以及目标图像大小对分类正确率的影响。试验结果显示,使用3层DT-CWT对大小为64×64子图像进行小波分解提取纹理特征,能达到最好的分类效果,分类正确率可以达到95.6%。

基于混沌优化的LS-SVM非线性预测控制方法

针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题,仿真研究说明了该非线性预测控制器的有效性及实时性。

基于BIM-DB仿真和LS-SVM的建筑能耗预测

建筑外围护结构性能对建筑能耗有十分显著的影响,其中影响较大的参数包括:外墙综合传热系数、外墙太阳辐射吸收系数、屋面综合传热系数、屋面太阳辐射吸收系数、外窗综合传热系数和窗墙比。为了在设计阶段实现建筑能耗预测,本文将建立的BIM模型导入Designbuilder能耗分析软件,针对以上六个外围护结构设计参数进行正交试验并利用能耗仿真获取数据样本集;在此基础上利用最小二乘支持向量机(LS-SVM)对建筑能耗数据进行预测。为了验证预测的可靠性,将预测结果分别同BP人工神经网络、小波神经网络以及SVM预测结果进行对比分析,结果表明LS-SVM对建筑能耗进行预测具有明显优势。

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。

基于LS-SVM响应面法的基坑支护结构优化设计

由于受安全性和经济性的双重指标要求,基坑支护结构优化设计一直是基坑工程中的研究重点之一.本文结合均匀试验设计(UD)和粒子群算法优化的最小二乘支持向量机(PSOLSSVM),提出了一种基于LS-SVM响应面法的基坑支护结构优化设计方法.其中,以工程量为优化目标,以安全系数作为约束条件,首先通过UD和有限元计算高效构造学习样本,然后利用PSO-LSSVM模型的高度非线性映射能力建立学习样本响应面,并预测由Monte-Carlo模拟生成的多组随机样本结果,最后从中筛选满足全部约束条件的且目标函数值最小的样本作为优化设计最优解.通过算例分析表明,该方法优化效果明显,且具有较好的效率和精度.

基于迭代LS-SVM生物氧化提金预处理工艺参数优化算法的研究

支持向量机(SVM)是一种新的具有优越特性的机器学习算法、最小二乘法支持向量机(LS-SVM)是SVM的一种改进算法,但是直接利用常规的LS-SVM对生物氧化提金预处理工艺参数优化存在着一些问题。通过引入迭代算法和LS-SVM对生物氧化提金预处理工艺参数离线数据进行参数预测相结合完成工艺参数的优化,此方法计算量相对较小,易于掌握,为企业生产提供了一个相对可靠的理论支持。