基于变量敏感度筛选的回归型支持向量机的数控机床热误差预测

随着机械制造行业的迅猛发展,对于数控机床的定位精度要求越来越高。为了提高机床定位精度,建立了基于变量敏感度筛选与回归型支持向量机(SVR)混合模型,并将其用于数控机床热误差预测方法。该方法基于对变量敏感度分析,筛选掉敏感度低的干扰自变量。本方法与基本SVR模型对数控机床热误差预测值进行对比,结果表明基本SVR受到敏感度低的干扰自变量影响,预测结果与实测热误差结果偏差较大;经过变量敏感度筛选之后的SVR混合模型预测值具有更高的准确度,验证了此模型的可行性。

基于回归型支持向量机的空战目标威胁评估

空战目标威胁评估是协同多目标攻击中的关键问题.针对传统空战目标威胁评估方法在确定权重系数方面的不足,提出了一种新的基于回归型支持向量机的评估方法.在分析了现有的空战目标威胁评估方法中距离威胁模型存在缺陷的基础上,提出了改进的距离威胁模型.建立了基于回归型支持向量机的空战目标威胁评估模型,利用该模型对想定的空战目标进行了威胁评估.仿真结果表明,该方法具有很好的预测能力,可以快速、准确地完成空战目标威胁评估.

基于遗传算法的回归型支持向量机参数选择法

研究了遗传算法在回归型支持向量机参数选择中的应用:首先,分析了支持向量机的几个参数对其预报能力的影响,发现参数选取不当,会导致支持向量机出现过学习或欠学习现象;在此基础上提出利用遗传算法来解决回归型支持向量机的参数选择问题,模拟实验证明,该方法克服了传统参数选择方法存在的缺点,提高了支持向量机的预报精度。

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(Support Vector Regression,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。

回归型支持向量机的简化算法

针对支持向量机应用于函数估计时支持向量过多所引起的计算复杂性,提出一种简化算法,可以大幅度地减少支持向量的数量,从而简化其应用.采用简化算法还可以将最小平方支持向量机算法和串行最小化算法结合起来,达到学习效率高且生成的支持向量少的效果.

回归型支持向量机在电机故障诊断中的研究

通过分析电机故障模式识别的原理,提出应用回归型支持向量机进行电机故障特征学习和分类的方法;从回归型支持向量机的基本原理出发,探讨线性回归与非线性回归两种情形,对其预测能力进行分析得到误差计算公式;在其基础上建立同步电机故障诊断模型并进行仿真,通过电压波形处理前后的对比,能够及时检测到故障的发生并进行识别,从而验证了回归型支持向量机是电机故障诊断在线检测的一种有效方法;但如何把已有的先验知识应用到SVM训练中仍然是一个悬而未决的问题。

回归型支持向量机在发动机参数测量分析中的应用

发动机参数的测量与分析处理是发现发动机故障隐患的重要方法。记述了回归型支持向量机的原理和基于回归型支持向量机的诊断方法,实现了传感器故障隔离与信号重构,利用发动机参数测量的实验数据对支持向量机进行训练,并进行了仿真验证。结果表明：基于回归型支持向量机的传感器故障诊断具有很高的预测精度。

基于回归型支持向量机的小波域盲水印算法

以回归型支持向量机(Support Vector Regression,SVR)理论为基础,提出了一种新的基于SVR的小波域盲水印算法。算法核心思想是先对图像进行小波分解,然后利用图像小波分解后的子图系数之间的关系和图像局部相关性获得SVR训练模型,并利用SVR训练模型在小波域嵌入和提取水印。该算法以保证鲁棒性和透明性的良好平衡为前提,实现了数字水印的盲检测。仿真实验表明,该文算法不仅具有较好的透明性,而且对JPEG压缩和一般的图像处理具有很强的鲁棒性,其整体性能明显优于现有基于SVM的空间域上的水印算法。

回归型支持向量机的机翼结冰冰型预测

飞机结冰严重威胁着飞行安全。针对机翼结冰冰型预测时不确定性因素较多、难以准确预测的问题,提出了一种基于回归型支持向量机的机翼结冰冰型预测方法。在建立冰型模型的基础上,利用回归型支持向量机(Support Vector Regression,SVR)获得冰型多项式系数,从而预测出相关飞行条件和大气条件下的冰型。仿真结果表明,该方法具有较好的预测能力,可以及时提供可靠的结冰信息,为保证结冰条件下的飞行安全提供了保障。

基于回归型支持向量机的医学图像可视可逆水印算法

随着医学影像技术的发展,医学图像成为医生诊断患者病情的主要依据,为了给患者提供更为准确的诊断和最佳的治疗方案,医学图像共享和专家远程诊断成为重要的诊疗手段。未被保护的医学图像在传输过程中易受到攻击或恶意篡改,为有效保护医学图像信息的完整性并限制未授权用户的使用,提出了一种基于回归型支持向量机的医学图像可视可逆水印算法。该算法首先将可视水印嵌入医学图像中;其次利用回归型支持向量机对水印图像的像素值进行预测,并计算出预测误差,利用纹理度等级自适应确定合适的亮度调节阈值,根据阈值生成一幅全局定位图,将全局定位图加入到原始图像中,以增强算法的鲁棒性;最后利用全局定位图和预测误差之间的相互关系生成一个可视可逆的水印,从而对医学图像进行加密保护。实验结果表明,所提可视可逆算法不仅可应用于传统医学图像,还首次应用于弥散加权图像,且该算法具有较好的鲁棒性和可逆性,能有效避免像素点溢出问题,实现可逆水印的正确提取,提取水印后的图像与原始图像没有任何差异。在水印信息未知的情况下,可视可逆水印去除困难,该特性可有效保护患者信息的完整性和医学图像的权威性。

基于回归型支持向量机的土壤地力与农作物病害之间的关系初探

在探究土壤地力相关因素与农作物病害发生情况的基础上,针对全国20个试点地区9种农作物的病害,通过实地调查采样的方式获取地力数据与病害相关数据。采用针对小样本数据具有训练误差小特点的回归型支持向量机算法进行以地力相关因素为输入,病害发生率为输出的农作物病害发生率预测模型。模型构建结果表明,训练精度R^(2)=0.776 9,测试精度R2=0.644 8。

基于支持向量机的烧结能耗及性能指标预测模型

针对烧结过程中能耗和性能指标预测方法精度不高、训练时间长的问题,首先,在总结当前预测建模方法的基础上,将回归型支持向量机(support vector machine for regression,SVR)引入烧结生产系统,分析了2种建模模式;然后,给出基于SVR预测建模一般流程;最后,以某大型钢铁企业为例进行验证,并与传统的多元线性回归、反向传播(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)网络和极限学习机(extreme learning machine,ELM)等预测方法在相同模式内和不同模式间进行比较.结果表明,SVR方法可快速获得理想的预测结果,在预测精度和时间效率上具有优势.

非线性系统的支持向量机逆模型辨识及控制

针对非线性系统逆模型建立难的问题,提出了基于回归型支持向量机(support vector re-gression,SVR)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于SVR的非线性系统逆模型控制的方法。仿真试验结果表明:采用SVR建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于SVR的逆模型控制方法的控制效果好,简单易行。

精确增量式在线v型支持向量回归机学习算法

为了解决v型支持向量回归机(v-supportvector regression,v-SVR)对偶问题的目标函数中增加的额外线性项从而导致无法产生有效初始解的问题和在绝缘增量调整过程中可能存在的解路径不可行更新问题,提出了精确增量式在线v-SVR学习算法.首先基于v-SVR的等价形式,利用提前调整,宽松的绝缘增量调整和精确的恢复调整有效地解决了v-SVR对偶问题存在的上述问题.然后分别对算法的可行性和有限收敛性进行了理论分析.最后在四个基准测试数据集上的仿真结果进一步验证了该算法的每一步调整都是可靠的,经过有限次数调整最终收敛到最小化问题的最优解,而且与批处理学习算法相比,随着训练样本的增加,算法在缩短学习时间上的优势显著.

神经网络及回归型支持向量融合健康评估模型

健康评估是IVHM研究中的关键技术之一,基于关键特征参数监测无法解决复杂组件或系统的健康评估建模问题,而基于解析法的健康评估方法对构造特征参数的数学模型要求极高,工程价值不大。本文提出了一种基于仿真的健康评估建模新方法,该方法通过组件或系统在各种健康状态条件下仿真,生成样本数据,利用BP神经网络和支持向量机的非线性映射特性,以测量信息为基础分别构造了两种健康评估模型,考虑到单一模型缺陷,再将神经网络和支持向量机训练模型进行决策融合处理,提出了一种新的健康评估模型,并以石英挠性加速度计为例进行了建模研究与验证。结果表明:测量信息完备情况下,两种单一模型均能满足健康状态评估要求;测量信息不充分时,通过对两种模型进行决策融合处理,也可取得较好的健康状态评估效果。

基于回归支持向量机的温泉水质pH值预测研究

基于恩平市锦江温泉水动态监测系统工程,利用采集到温度、溶解氧、电导率、浊度数据为影响因子,构建回归支持向量机水质pH值预测模型,以锦江温泉18号为例进行实例研究。结果表明,基于SVR的pH值预测模型训练集、测试集决定系数分别为0.854、0.897;测试集平均相对误差为1.419%。该模型可为水质评价及水环境监控管理提供参考,具有一定的实际应用价值。

支持向量机在电液伺服系统辨识建模中的应用

提出了电液伺服系统的支持向量机的辨识建模方法。利用电液伺服系统的可测参量,建立了基于支持向量机的电液伺服系统的模型。以电液位置伺服系统为例,进行了仿真实验。仿真结果表明支持向量机模型具有辨识精度高,推广性能好的优点,从而验证了该方法的正确性和有效性。

粗集支持向量机的战斗机空战效能智能评估

根据现代空战特点,选取了战斗机的空战效能评估指标集,并采用粗糙集理论对指标体系进行约简,提取对空战效能影响起关键作用的特征参数,消除冗余信息,减少了支持向量的维数。支持向量机(SVM)具有结构简单、全局最优、泛化能力强的优点。根据所提取的特征参数,文中提出采用回归型支持向量机(SVR)建立空战效能智能评估模型。并通过实例与指数法和BP神经网络法计算结果进行了比较,验证了该模型的可行性和有效性。

非线性控制系统的支持向量机辨识建模研究

针对非线性控制系统辨识建模难的问题,系统研究了基于支持向量机的非线性控制系统的辨识建模理论和方法,然后利用回归型支持向量机(Support Vector Regression,SVR)设计了一个非线性控制系统的辨识建模系统。仿真试验结果表明,SVR具有很高的建模精度和较强的泛化能力,从而验证了该辨识方法的有效性和先进性。

基于支持向量机的非线性系统内模控制

提出了基于回归型支持向量机的非线性系统内部模型和逆模型的辨识建模方法,在此基础上,提出了基于回归型支持向量机的非线性系统内模控制的方法。仿真试验结果表明:采用回归型支持向量机建立的非线性系统内部模型和逆模型都具有很高的建模精度和较强的泛化能力,基于回归型支持向量机的内模控制算法对非线性系统具有良好的控制性能、较强的抗干扰能力和鲁棒性能。