基于GA-SVM算法的无线局域网络入侵信号检测方法

常规的无线局域网络入侵信号检测节点多为独立式设定,检测效率较低,导致入侵信号检测误检率较高,为此提出对基于GA-SVM算法的无线局域网络入侵信号检测方法。该方法首先采用关联的方式进行入侵信号特征提取,提升检测效率,设置关联性检测节点,构建GA-SVM测算入侵信号检测模型,采用定位分离方法来实现信号检测处理。测试结果表明:针对选定的300个采样点进行信号入侵检测,对比于传统分布式光纤网络入侵信号检测组、传统FastICA测算网络入侵信号检测组,此次所设计的GA-SVM测算网络入侵信号检测组最终得出的入侵信号检测误检率被较好地控制在20%以下,说明基于GA-SVM算法的检测效果更佳,针对性更强,具有实际的应用价值。

WEE与GA-SVM在反应堆CRDM电流故障分类中的应用

控制棒驱动机构(CRDM)的可靠性决定了反应堆的安全性,对控制棒驱动机构进行有效监测是极为必要的。针对控制棒驱动机构线圈电流变化能有效反应控制棒驱动机构运行状态的特点,在小波能量值的基础上引入滑动窗和熵值理论构建了基于小波能量熵(WEE)的线圈电流特征向量,并设计了基于支持向量机(SVM)的控制棒驱动机构电流故障分类算法,分别使用遗传算法(GA)与粒子群算法(PSO)对支持向量机的惩罚系数c和核函数参数g进行优化,较为准确地实现了对控制棒驱动机构电流故障的分类。仿真与对比结果表明:(1)相比于基于小波能量值,基于小波能量熵的特征向量更能体现线圈电流的局部特征,也更为准确地实现线圈电流故障的分类;(2)相较于粒子群算法,遗传算法作为支持向量机参数优化算法分类准确的同时,参数寻优效率更高。

基于融合特征与GA-SVM算法的脑疾病基因预测

单一生物数据网络提供的特征信息是十分受限的,针对这一问题,提出了一种基于半监督自编码器的多网络特征融合方法,丰富特征信息。此外,为解决在人为设置模型的超参数时,易出现模型性能较低、陷入局部最优等问题,进一步提出了利用遗传算法优化支持向量机(GA-SVM算法)模型的方法,提高脑部疾病基因的预测性能。构建来自不同数据源的相似性数据网络,利用重启随机游走算法从四个数据网络中提取特征,通过半监督自编码器进行处理及融合,在十折交叉验证的策略下使用GA-SVM算法模型预测脑部疾病基因,并与其他算法进行比较。实验结果表明,在PD数据集上的AUC和AUPR值分别为0.805、0.792,而在MDD数据集上的AUC和AUPR值分别为0.825、0.823,均优于已有的预测模型,有效证明了该方法能够提高脑部疾病基因的预测效果。

基于GA-SVM模型的大跨悬索桥主梁挠度预测研究

针对大跨悬索桥主梁挠度预测问题,基于支持向量机模型(Support Vector Machine,SVM)及遗传算法(Genetic Algorithm,GA)开展了大跨悬索桥主梁挠度预测研究。首先,综合SVM模型和GA算法各自优势,提出了基于GA-SVM模型的大跨悬索桥主梁挠度预测分析框架;随后依托某实际大跨悬索桥工程项目,将大跨悬索桥测点位置和主梁挠度分别作为输入样本和输出样本,并结合本文预测方法分析了该桥的主梁挠度水平。分析结果表明,基于GA算法优化SVM参数可实现更优预测,相比于真实值,预测结果的R 2=0.9972,并且绝大部分测点预测结果的残差指标ε均小于0.1,可切实可行的应用于悬索桥挠度预测,具有一定的工程实用价值。

GA-SVM决策模型在选煤监控系统中的应用

原煤在形成过程中存在杂质,开采中也会混入一些杂质,随着工业的发展,对煤炭的质量提出新的要求,需要对煤炭进行洗选,提高煤炭质量。选煤是最为常见的一种方式,选煤工作任务繁重,选煤设备是保障选煤工作进行的先决条件。为保证设备可靠运行,以华阳一矿选煤厂为例,利用信息化技术对该选煤厂设备进行监控,有效掌握设备运行状态。通过对选煤设备结构层次分析,构建选煤监控系统,以跳汰过程的监控为例,采用GA-SVM决策模型判断其运行状态,并测试不同个数情况下GA-SVM的诊断准确度,实践表明,该系统符合华阳一矿选煤厂使用要求,提高了设备故障识别准确率,缩短了检修时间。

基于GA-SVM 模型的间歇蠕滑滑坡降雨阈值研究

下山村滑坡是浙江省最大的降雨型滑坡,雨季时滑坡地下水位对降雨有明显响应,监测数据揭示该滑坡在降雨作用下,具有蠕滑性和间歇性的特征。为了确定诱发滑坡滑动的降雨阈值,首先采用遗传算法(Genetic Algorithm,GA)对支持向量机(Support Vector Machine,SVM)模型进行优化,构建考虑气象水文过程的GA-SVM模型;然后基于监测数据确定滑坡临滑地下水位,结合边坡稳定性分析,采用构建的GA-SVM模型进行反算,确定连续降雨诱发滑动的降雨阈值。降雨阈值的确定,对开展滑坡的预警预报工作具有较好的指导意义。

基于RF-GA-SVM的医院集中供暖系统一次侧流量预测模型研究

医院集中供暖系统一次侧流量受多种不确定因素影响。为了降低输入空间维度、节约运算成本、提高预测精确度,提出了一种基于随机森林(RF)特征重要性评估-遗传算法(GA)优化支持向量机(SVM)参数算法的预测模型。首先利用RF算法对特征变量实施重要性评估,利用交叉验证法对特征变量进行过滤,构建供暖系统影响因素指标体系,其次利用遗传算法优化支持向量机参数建立回归预测模型(RF-GA-SVM),最后结合某医院集中供暖系统数据进行了实例分析并与RF预测模型、GA-SVM预测模型进行了对比。预测误差分析表明,本文提出的预测模型(RF-GA-SVM)降低了输入空间维度,避免了局部最优,提高了预测精确度。

基于GA-SVM的多规格小批量生产的装配工时估算模型

对于制造承包商来说,在正式接收订单之前,为了指导报价和预测交货日期,有必要对工时(Man-hours,MH)进行评估。装配工时作为工时的重要组成部分,具有重要的实际研究意义。针对多规格、小批量生产的特点,提出了一种基于支持向量机(Support vector machine,SVM)的装配工时估算模型。除了单部件属性、装配过程和历史工时数据外,还考虑了可量化装配复杂性的最短路径长度平均值(Average of shortest path length,ASPL)作为装配MH的影响因素,并提出了基于Creo JLink三维模型的这些因素的自动计算方法。通过对几种算法的比较,选择SVM作为装配体MH建模的最优算法。将遗传算法(Genetic algorithm,GA)应用于SVM中,有利于在SVM中搜索最优参数c和g时避免了局部求解,加快了收敛速度。最后,对所提出的GA-SVM模型进行训练,并应用于雷达装置仿生腿的装配工时预测。实验结果表明,GA-SVM具有比本文其他方法更高的预测精度,整个预测过程仅需3 min左右。

基于GA-SVM的露天矿抛掷爆破抛掷率预测

分析了高台阶抛掷爆破的机理过程,并从自然地质、爆破设计和人为操作3个角度出发,结合某矿区的实际开采情况,提取其中10个参数作为影响该矿区抛掷爆破效果的主要因素,以爆破领域中广泛接受的抛掷率作为抛掷爆破效果的评价因子,采用此矿区爆破生产中的实际数据建立了基于遗传算法优化的支持向量机模型GA-SVM。基于建立的GA-SVM模型,采用平均影响值(Mean Impact Value,MIV)作为评价标准,对各因素的影响程度进行了评定。结果表明:①GA-SVM模型能够比较快速、准确地根据此矿区的爆破设计参数预测出抛掷爆破的抛掷率,平均预测精度稳定在83.75%,与其他智能算法如BP,RBF,GRNN相比,GA-SVM具有更好的鲁棒性和更佳的预测精度。由于计算流程的统一性和预测方法的普适性,GA-SVM模型对于其他抛掷爆破参数(如最远抛距、松散系数等)也具有良好的外推性;②对于此露天矿区而言,在其自然因素(如岩性等)和爆破设计因素(如炸药类型、起爆顺序、装药结构等)已确定的情况下,台阶高度、炸药单耗与抛掷率正相关,且台阶高度比炸药单耗对抛掷率的影响更大;而最小抵抗线、坡面角和剖面宽对于抛掷率呈现负相关,其他影响因素对于此露天矿抛掷率的影响较弱。

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.

基于主动学习GA-SVM分类器的连铸漏钢预报

针对在小样本数据情况下训练的连铸漏钢预报模型难以获得较高预报准确率的问题,提出了一种基于主动学习遗传算法支持向量机(GA-SVM)分类器的漏钢预报算法。该算法首先将采集到的连铸结晶器坯壳温度数据进行预处理,并将有效数据进行标注;然后利用标注后的小样本数据和遗传算法来优化SVM的经验参数,训练并得到支持向量机模型;最后利用某钢厂采集到的连铸结晶器坯壳温度数据进行测试。测试结果表明,在利用小样本数据进行训练的情况下,所提出的基于主动学习GASVM分类器的连铸漏钢预报算法具有较高的漏钢预报率(预报精度)和100%的漏钢报出率,验证了所提漏钢预报算法的有效性。

矿井水源判别的GA-SVM模型研究

作为水在岩体中流动通道的渗透结构面,微观上表现出不连续性和高度的非线性等特点,因此,矿井充水水源具有不确定性、非线性。传统水化学判别分析方法往往难以准确地描述这种复杂的非线性特征,因而对矿井水源进行准确判别尚存在一定的困难。在传统SVM(Support Vector Machine,SVM)的基础上,利用遗传算法(Genetic Algorithm,GA)对传统SVM进行优化,克服了传统SVM模型参数选取经验化的弊端,并利用该方法对开磷集团马路坪矿几种水源的6个化学样本进行训练,建立了GA-SVM模型。实例分析表明,该模型判别结果与实际情况相符合,表明该模型在矿井水源判别中具有良好的实用性和有效性。

基于GA-SVM的钢渣基胶凝材料开发及料浆配比优化

针对某露天转地下矿山充填成本高的问题,充分利用矿山周边的工业废弃物开发满足嗣后充填采矿法所要求的充填胶凝材料,并对充填料浆的配比进行了优化.首先,分析了材料的物化特性,采用不同的激发配方进行了室内试验,构建了用于钢渣基胶凝材料配方预测的GA-SVM模型,确定了钢渣基胶凝材料的最佳配方(质量分数)为:钢渣30%、脱硫石膏4%、水泥熟料12%、芒硝1%;其次采用XRD和SEM分析了钢渣基胶凝材料的水化机理;最后基于灰靶多目标决策模型对料浆配比进行优化实验,以强度(7 d和28 d)、工作特性(坍落度、泌水率)、成本为指标优化料浆配比.结果表明,采用新型钢渣基胶凝材料,充填料浆的最佳配比参数为:灰砂比1∶4,固相质量分数为72%.并进行了验证实验,得到相应强度参数和工作特性参数分别为1.74 MPa、3.61 MPa、24.2 cm和5.91%,均满足嗣后充填的要求,此配比条件下的充填成本为每立方米113元,较水泥充填成本降低了38.92%.

基于GA-SVM优化算法的扒渣机器人逆运动学求解研究

扒渣机械臂逆运动学分析是其末端破碎锤与铲斗实现运动轨迹精准控制的难点,由于封闭解法通用性差,以及运用单一神经网络求取时存在精度不足等问题,提出一种基于遗传算法(GA)优化支持向量机(SVM)的机械臂逆运动学求解方法。首先由D-H参数法构建正运动学模型,并获取数据样本;再采用GA算法对SVM的惩罚因子c和核函数参数g以及损失参数ε进行全局寻优,将构建的GA-SVM模型应用到扒渣机械臂关节角逆运动学求解中,结果显示末端位姿的均方误差为1.54026×10^(-7),表明该算法可准确求解出期望关节角度值;最后将算法模型求取的逆解数据进行五次多项式轨迹规划,验证了GA-SVM算法模型的可靠性。

基于GA-SVM的矿井涌水量预测

矿井涌水量的准确预测对预防矿山透水事故的发生至关重要,提出利用GA优化的SVM模型(GA-SVM)来实现矿井涌水量的短期准确预测。该方法利用GA的自动寻优功能寻找SVM的最佳参数,提高了预测的准确率。首先,利用微熵率法求矿井涌水量时间序列的最佳嵌入维数和延迟时间,进行相空间重构。其次,采集义煤集团千秋煤矿2011—2015年实际涌水量的时间序列,利用GA-SVM模型对最后12组数据进行预测,其预测平均绝对百分比误差仅为0.92%,最大相对误差为2.62%。最后,与PSO-SVM和BP神经网络预测进行对比,结果表明GA-SVM优化模型适用于矿井涌水量的预测并且预测精度较高。

基于GA-SVM大采深条件下底板破坏深度回归分析

在收集大采深条件下底板破坏数据样本基础上,充分发挥遗传-支持向量机在小样本环境下具有分类强、适应度好的特点,构建大采深条件下底板破坏深度与开采深度、煤层倾角、煤层开采厚度、工作面长度、底板抗破坏能力和断层或破碎带之间的非线性模型,采用"留一下验证法"验证该模型的泛化度,经验证该模型具有很强的泛化度。

基于GA-SVM的三峡大坝过坝货运量预测

首先分析了区域经济发展、产业结构与过坝货运量三者之间的联系,然后宏观介绍了长江流域经济发展和产业结构现状,并建立基于GA-SVM的预测模型,将经济发展及产业结构各项指标进行模型训练后,对三峡过坝货运量进行预测,并分析了产业经济发展对货运量的影响。

基于GA-SVM的个性化体育训练效果评估模型研究

针对当前模型在评估个性化体育训练效果过程中未考虑合理选择评估参数,导致个性化体育训练效果评估模型运行时间增加,造成效果评估精度和效率较低的问题,提出了基于GA-SVM的个性化体育训练效果评估模型。首先根据个性化体育训练效果评估指标选取原则,基于图论和矩阵工具,筛选评估指标,并针对所选评估指标进行类别和量纲统一化处理;然后利用GA(遗传算法)选取SVM(支持向量机)评估模型参数最优值,优化SVM评估模型;最后利用MATLAB仿真软件对基于GA-SVM的个性化体育训练效果评估模型进行了仿真测试。仿真结果表明:所构建的基于GA-SVM的评估模型的相对误差为0.04%,所用时间为1.9 s,模型评估相对误差较小,模型评估所用时间较短,能够有效提高模型评估效率和精度。

基于谐波特征和GA-SVM的刀具状态监测

刀具状态的监测是实现机械加工自动化重要的一环。为了有效地捕捉刀具的状态信息,提出了一种基于谐波特征和GA-SVM(遗传-支持向量机)相结合的刀具状态监测方法。该方法运用小波变换提取AE信号的谐波特征信息,作为支持向量机的输入参数,GA寻找SVM建立刀具状态模型的最优参数,通过训练建立模型。结果表明,该方法能有效监测刀具磨损状态。

基于GA-SVM的机场数据中心信息安全风险评估

数据中心是智慧机场的核心元素,在数据中心运营过程中信息安全问题不容忽视。风险评估作为保障机场数据中心信息安全的第一步显得尤为重要,为此本文提出了一种基于GA-SVM的机场数据中心信息安全风险评估模型,针对问题特点,把遗传算法引入到支持向量机中并对SVM参数择优,提高模型的分类准确率。同时把支持向量机的二分类问题拓展到三分类问题上,根据具体的评估指标值将机场数据信息安全等级分为较高、中等和较低,获得了较为满意的效果。为机场数据中心的安全运营和管理可靠的决策支持。