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。

APPLICATION OF LEAST MEDIAN OF SQUARED ORTHOGONAL DISTANCE (LMD) AND LMD BASED REWEIGHTED LEAST SQUARES (RLS) METHODS ON THE STOCK RECRUITMENT RELATIONSHIP

Analysis of stock recruitment (SR) data is most often done by fitting various SR relationship curves to the data. Fish population dynamics data often have stochastic variations and measurement errors, which usually result in a biased regression analysis. This paper presents a robust regression method, least median of squared orthogonal distance (LMD), which is insensitive to abnormal values in the dependent and independent variables in a regression analysis. Outliers that have significantly different variance from the rest of the data can be identified in a residual analysis. Then, the least squares (LS) method is applied to the SR data with defined outliers being down weighted. The application of LMD and LMD based Reweighted Least Squares (RLS) method to simulated and real fisheries SR data is explored.

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。

Properties of the total least squares estimation

Through theoretical derivation, some properties of the total least squares estimation are found. The total least squares estimation is the linear transformation of the least squares estimation, and the total least squares estimation is unbiased. The condition number of the total least squares estimation is greater than the least squares estimation, so the total least squares estimation is easier to be affected by the data error than the least squares estimation. Then through the further derivation, the relationships of solutions, residuals and unit weight variance estimations between the total least squares and the least squares are given.

Improved adaptive pruning algorithm for least squares support vector regression

As the solutions of the least squares support vector regression machine （LS-SVRM） are not sparse, it leads to slow prediction speed and limits its applications. The defects of the ex- isting adaptive pruning algorithm for LS-SVRM are that the training speed is slow, and the generalization performance is not satis- factory, especially for large scale problems. Hence an improved algorithm is proposed. In order to accelerate the training speed, the pruned data point and fast leave-one-out error are employed to validate the temporary model obtained after decremental learning. The novel objective function in the termination condition which in- volves the whole constraints generated by all training data points and three pruning strategies are employed to improve the generali- zation performance. The effectiveness of the proposed algorithm is tested on six benchmark datasets. The sparse LS-SVRM model has a faster training speed and better generalization performance.

Fault diagnosis of power-shift steering transmission based on multiple outputs least squares support vector regression

A method of multiple outputs least squares support vector regression （LS-SVR） was developed and described in detail, with the radial basis function （RBF） as the kernel function. The method was applied to predict the future state of the power-shift steering transmission （PSST）. A prediction model of PSST was gotten with multiple outputs LS-SVR. The model performance was greatly influenced by the penalty parameter γ and kernel parameter σ2 which were optimized using cross validation method. The training and prediction of the model were done with spectrometric oil analysis data. The predictive and actual values were compared and a fault in the second PSST was found. The research proved that this method had good accuracy in PSST fault prediction, and any possible problem in PSST could be found through a comparative analysis.

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.

Application of least squares vector machines in modelling water vapor and carbon dioxide fluxes over a cropland

Least squares support vector machines (LS-SVMs), a nonlinear kemel based machine was introduced to investigate the prospects of application of this approach in modelling water vapor and carbon dioxide fluxes above a summer maize field using the dataset obtained in the North China Plain with eddy covariance technique. The performances of the LS-SVMs were compared to the corresponding models obtained with radial basis function (RBF) neural networks. The results indicated the trained LS-SVMs with a radial basis function kernel had satisfactory performance in modelling surface fluxes; its excellent approximation and generalization property shed new light on the study on complex processes in ecosystem.

基于PLS特征提取和LS-SVM结合的NOx排放特性建模

大型燃煤电站锅炉是大气NOx污染的主要来源之一,建立有效的NOx排放模型是燃烧优化降低NOx的基础。NOx的排放特性受多个热工变量的影响,并且各变量之间存在相关性和耦合性。基于某660 MW电站锅炉的现场运行数据,将偏最小二乘(PLS)方法与最小二乘支持向量机LS-SVM相结合,利用PLS对输入变量进行特征提取以降低维数和消除相关性,并把得到的特征矩阵作为LS-SVM的输入,建立了NOx排放的PLS-LSSVM模型,并以交叉验证为准则通过网格搜索来获得最优的模型参数。另外,将该模型与其他建模方法进行对比,结果表明通过PLS特征提取可以降低模型的复杂度,提高模型的泛化能力。

基于LS-SVM的红外光谱技术在奶粉脂肪含量无损检测中的应用

脂肪是奶粉中重要的组成部分,实现对奶粉中脂肪含量的快速、无损检测十分重要,为此研究了400-6666 cm^-1范围的红外光谱技术对不同品种奶粉的脂肪含量的无损检测.采用最小二乘支持向量机（LS-SVM）对光谱透射率值和脂肪含量值进行建模.模型在全红外波段范围对样本脂肪含量预测得到了较好的结果,绝对系数（R2p）达到0.9796,预测误差均方根（RMSEP）为0.8367.预测结果要优于BP人工神经网络（Back Propagation NeuralNetworks,BP-NN）.说明红外光谱技术能够实现奶粉脂肪含量的无损检测,检测过程比化学检测方法简单快速,操作性强.文章同时还研究了分别基于中红外光谱范围和近红外光谱范围的建模.模型预测结果显示分别基于中红外光谱和近红外光谱区域的模型预测效果都比全波段建模略差.本研究为今后奶粉脂肪含量快速无损检测仪器的开发奠定了理论基础.

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出了一种在数控机床热误差辨识建模过程中利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法,对布置在一台数控车床上的温度传感器进行了优化。根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,很好地避免了温度测点的相互影响,保证了模型精度。该台数控车床的轴向建模平均绝对百分比误差为1.89%,径向建模平均绝对百分比误差为2.04%。传感器使用数量减少,节约了硬件成本,提高了辨识建模速度。

基于泡沫特征与LS-SVM的浮选回收率预测

针对矿物浮选过程中回收率难以在线检测的问题,提出了一种回收率预测方法。采用最小二乘支持向量机构造预测模型,以图像特征作为模型输入,通过交叉验证实现模型参数优化。为提取泡沫特征,通过计算图像相对红色分量提取颜色特征,结合聚类与分水岭方法分割泡沫图像并提取尺寸特征,利用像素分析方法提取承载量特征,采用图像对的相关性分析方法提取泡沫速度、破碎率等动态特征,并对泡沫特征与回收率进行了相关性分析。实验结果表明,该方法能有效预测回收率。

基于LS-SVM的电力电子电路故障预测方法

针对现有电力电子电路故障预测技术的不足,提出将电路特征性能参数和最小二乘支持向量机(least squares support vector machine,LS-SVM)预测算法结合,对电力电子电路进行故障预测。以Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用LS-SVM回归算法实现故障预测。实验结果表明,利用LS-SVM对电路输出平均电压与输出纹波电压的预测相对误差均低于2%,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测。

基于LS算法的OFDM信道估计的研究与改进

OFDM信道估计中,LS算法因其运算简单,得到了广泛应用。但是在实际的系统中,由于有非理想因素的存在,使得该算法受到载波间干扰(ICI)噪声的影响;并且突发传输时,信道响应会受到外界噪声的干扰,使估计的信道响应幅值在一定范围内上下波动,并带有尖峰和毛刺。为了解决此问题,提出了一种基于LS算法的最优化FIR滤波器(切比雪夫滤波器)信道估计算法。切比雪夫滤波器在过渡带衰减很快,和理想滤波器的频率响应曲线之间的误差最小,因此该算法较之传统的加窗算法,能保证局部频率点的性能也是最优的,进而有效地减小均方误差(MSE)。在高斯白信道环境下引入突发噪声,对所提方案进行了仿真,其结果验证了该方法能有效消除通带内因突发传输引起的毛峰和尖刺。

基于LS-SVM的非线性多功能传感器信号重构方法研究

提出了基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)的非线性多功能传感器信号重构方法.不同于通常采用的经验风险最小化重构方法,支持向量机(Support vector machine,SVM)是基于结构风险最小化准则的新型机器学习方法,适用于小样本标定数据情况,可有效抑制过拟合问题并改善泛化性能.在SVM基础上,LS-SVM将不等式约束转化为等式约束,极大地简化了二次规划问题的求解.研究中通过L-折交叉验证实现调整参数优化,在两种非线性情况下对多功能传感器的输入信号进行了重构,实验结果显示重构精度分别达到0.154%和1.146%,表明提出的LS-SVM重构方法具有高可靠性和稳定性,验证了方法的有效性.

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.

基于LS-SVM的导弹在线误差补偿逆控制

提出一种基于最小二乘支持向量机(least square support vector machine,LS-SVM)在线误差补偿非线性动态逆控制器设计方案。首先运用动态逆的双阶段设计方法设计了导弹的逆控制器,即第一阶段采用动态逆方法设计快回路控制器实现对滚转、偏航和俯仰三个通道角速度的跟踪;第二阶段实现慢回路对滚转角、侧滑角和攻角的跟踪;然后,设计LS-SVM在线补偿器,以增强导弹控制系统的鲁棒性。通过仿真分析,验证了该方法的有效性。

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LS-SVM的位置指纹室内定位

基于无线接入点(Access Point,AP)接收信号强度(Received Signal Strength,RSS)的位置指纹室内定位技术近几年已经成为国内外位置感知研究的热点。提出了基于最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的位置指纹定位方法。给出了基于LS-SVM的指纹定位模型,描述了LS-SVM指纹样本训练的具体实现过程。重点在于将定位问题转化为一个多类别分类问题,并分别采用一对一(OAO)和一对多(OAA)方法将其转化为多个二值分类问题。仿真结果表明,LS-SVM较传统支持向量机(SVMs)、K近邻(k-Nearest Neighbors,K-NN)定位方法的分类准确率高且计算代价小,平均分类准确率达92.00%。