基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法。采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类。通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%。

基于小波变换和LS-SVM的事件检测算法

根据高速公路有事件发生时交通流将产生突变这一原理,提出一种基于小波变换和最小二乘支持向量机的事件自动检测算法。首先用小波变换提取特征数据,然后用最小二乘支持向量机进行分类,仿真实验表明该算法具有检测时间短、检测率高和误报率低的优点,它为事件检测提供了一种切实可行的新思路。

基于小波包分解的LS-SVM-ARIMA组合降水预测

针对降水量影响因素众多,是一种复杂的非平稳、非线性且存在噪声问题的时间序列的特点,提出一种基于小波包分解的LS-SVM与ARIMA组合模型的年降水量预测方法。利用小波包将降水序列分解成低频趋势序列和高频细节序列;应用LS-SVM模型预测低频趋势序列,ARIMA模型预测高频细节序列;将两个模型的预测结果叠加,得到年降水量的预测值。实例验证表明:小波包对时间序列的分解比小波分解更精细,组合模型预测能够全面的提取降水序列中所包含的信息,更好地反映年降水量随时间变化规律,提高了年降水量预测的精准度,为降水量预测提供一种新方法。

LS-SVM算法在近红外光谱煤质分析中的应用

针对目前电力行业煤质分析的需求,提出了基于Hadamard近红外光谱的煤质分析技术,对Hadamard近红外光谱仪研制、控制分析软件设计、煤炭光谱信号采集、指标特征信息提取、定量模型建立五个环节综合考虑,研发了Hadamard近红外煤质分析系统.研究中,对41个不同质量指标的标准煤样进行了定量分析预测,考察了在相同粒径的条件下Hadamard近红外光谱对煤炭指标的预测能力,提出了基于ICA+LS-SVM算法的的煤炭指标预测方法,光谱数据与煤炭指标具有很好的相关性,相关系数普遍在0.9以上,取得了较好预测效果.

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上。结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值。与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景。最后通过具体实例验证了该模型的有效性。

基于改进粒子群优化LS-SVM的变压器故障气体预测

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测。改进粒子群算法在每次迭代中,将粒子群进行分类,不同类粒子采取不同加速因子,相比较经典粒子群算法,可以有效扩大粒子搜索区间,增强其局部搜索能力。最后进行了多组现场数据的实例分析,结果表明:基于MPSO进行参数优化后的LS-SVM预测准确率明显优于传统LS-SVM预测结果。

优化LS-SVM在油浸式变压器故障诊断中的应用

最小二乘支持向量机(LS-SVM)不仅继承了标准支持向量机(SVM)较好的泛化能力,不容易陷入局部最小值等优点,而且结构简单,收敛速度快,计算时间短。本文通过多层动态自适应优化参数法对LS-SVM的参数进行优化,形成优化LS-SVM法,并将其应用到油浸式变压器故障诊断中,通过实例证明了该方法的有效性和优越性。

基于DFT的时域LS信道估计算法

基于IEEE802.16d/e标准的OFDMA系统中存在保护子载波和导频非2n等间隔插入,针对该问题,提出一种基于DFT的时域LS信道估计算法。该算法对相比信道自相关矩阵R容易获得的矩阵T进行奇异值分解(SVD),得到基于DFT的低阶近似。仿真结果表明,该算法的信道估计性能和运算复杂度介于LMMSE-SVD算法、IFFT/FFT算法之间,对导频要求更宽松,应用更广泛。

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。

基于离散Curvelet变换和LS-SVM的虹膜特征提取与识别

提出了一种基于离散曲波变换和最小二乘支持向量机(LS-SVM)的虹膜特征提取与分类识别的新方法。对虹膜纹理采用离散Curvelet变换,提取低频子带系数矩阵的均值方差和高频子带能量作为虹膜图像的特征向量,利用最优二叉树多类LS-SVM分类器进行分类与识别。MATLAB仿真实验结果表明,与现有方法相比,该算法识别准确率较高,能有效应用于身份认证系统中。

基于LS-SVM的复轮廓波变换的图像去噪

针对传统的轮廓波变换图像去噪时引入边缘混叠现象,提出了复轮廓波变换(Complex Contourlet Transform,CCT)和最小二乘支持向量机(LS-SVM)的图像去噪方法。该方法充分利用了复轮廓变换的平移不变性、多方向性以及LS-SVM的小样本学习能力,应用训练好的LS-SVM模型将含噪图像的CCT系数分为含噪点和非含噪点,进行去噪处理。仿真结果表明该算法有效保护图像边缘纹理信息,其峰值信噪比明显高于其他算法,并且具有良好的视觉效果。

应用模糊最优小波包和LS-SVM的模拟电路诊断

为解决模拟电路故障诊断中的特征提取困难并对模拟电路故障信号进行有效的分类,提出了一种结合模糊理论、小波包分解和最小二乘支持向量机(LS-SVM)的模拟电路诊断方法。该法首先对模拟电路的响应信号进行小波包分解,并引入模糊准则对其优化,得到由分类能力强的最优小波包基能量值构成的特征集,然后将特征集输入LS-SVM网络,实现对不同故障类型的识别。小波包的优化分解减小了LS-SVM网络的规模,从而降低了算法复杂度,加快了网络的训练时间和分类速度。模拟诊断实例表明,此方法能快速有效地实施模拟电路的故障定位。

基于改进遗传算法与LS-SVM的变压器故障气体预测方法

最小二乘支持向量机(LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。笔者提出一种基于改进遗传算法(IGA)的参数寻优方法,并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制,随机产生初始种群,可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析,结果表明:基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。

采用CSA优化LS-SVM的油浸式变压器故障诊断方法

提出了一种基于耦合模拟退火(CSA)优化最小二乘支持向量机(LS-SVM)的变压器故障诊断方法,该方法以变压器油中五种溶解气体含量为故障特征量,利用故障样本集结合CSA算法、k-折交叉验证来训练并优化一对一组合分类的LS-SVM模型,并将其应用于故障诊断分类。样本测试集验证表明,该方法可避免改良三比值法中编码缺失、编码边界过于绝对的问题,获得的支持向量机模型诊断效果比BP、RBF神经网络更加稳定,准确度也高于一对多组合分类的LS-SVM模型,具有良好的实用性。

LS-Cluster:大规模多变量时间序列聚类方法

现有的关于多变量时间序列聚类的研究中所研究的变量规模均较少,而现实生活又经常会出现大规模多变量时间序列,因此提出了LS-Cluster算法,旨在对有上万变量的大规模多变量时间序列进行聚类。首先,将每个时刻的多变量时间序列转化成矩形网格,然后使用二维离散余弦变换对其进行特征提取。接着提出了LS相似度用于计算特征序列之间的相似程度。最后,采用层次聚类方法发现其中所蕴含的模式。实验结果显示,该方法在人工合成数据和真实数据上都有较好的效果和可扩展性。

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K-L变换和LS-SVM的车牌字符识别新方法

针对车牌识别中识别率和识别速度难以同时提高这一难点,本文提出一种K-L变换和最小二乘支持向量机相结合的车牌字符识别新方法。首先使用K-L变换对预处理后的车牌字符图像进行特征降维;然后根据车牌字符的排列特征采用聚类分析中类距离思想,设计四组最佳二叉树的最小二乘支持向量机子分类器来分别实现字母、数字和汉字的识别。实验结果表明,该方法所设计的分类器较好的解决了传统多类算法中存在的不可分区域情况,具有较高的识别率和识别速度及分类推广能力。

基于改进的小波变换和LS-SVM模型的忙时话务量预测算法

本文提出一种融合小波变换和最小二乘支持向量机(WT-LSSVM)的组合话务量预测模型。对呈现非平稳特性的话务量数据先用Mallat算法进行分解,得到低频分量和高频分量,然后对低频分量和高频分量进行单支重构,再对重构后的各分量分别用LS-SVM模型进行预测,最后合成话务量,实验表明该组合预测模型有较高的预测精度和稳定性。

基于IAFSA优化LS-SVM的变压器故障识别研究

为快速、准确识别变压器在运行过程中出现的不同故障,文章运用改进人工鱼群(IAFSA)对最小二乘法支持向量机(LS-SVM)的参数进行优化,并提出了一种新的变压器故障识别方法。首先,利用加权平均方法与调整函数对人工鱼群算法进行改进,并运用改进人工鱼群算法对最小二乘法支持向量机算法的惩罚因子与核函数进行优化,提高诊断模型的识别精度;其次,对变压器不同故障样本数据进行分析;最后与实际故障参数对比,验证该方法的准确性、可靠性。研究表明,基于改进人工鱼群算法优化LS-SVM的变压器故障识别方法可准确地识别变压器在运行过程中出现的故障,为变压器工作状态监测提供新的思路。