基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义。本研究验证高光谱成像技术结合偏最小二乘—最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性。首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值。为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模。所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370。研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的。

利用选择性DAG-SVM集成在线检测与诊断多变量过程均值异常

针对多变量过程均值异常,提出了选择性有向无环图支持向量机(DAG-SVM)集成,以之为模式识别工具对过程状态进行识别,以探测异常和判别异常源。集成结合Bagging方法的重复采样技术和对DAG-SVM结构的调整,对数据和模型进行双重扰动,以获得差异的候选个体;再通过二进制粒子群优化(BPSO)算法得到最优集成方案。离线仿真测试证明所提选择性DAG-SVM集成具有分类正确率和效率的双重优势;在线仿真测试表明基于选择性DAG-SVM集成的模型探测过程均值阶跃异常优于χ2图和BPN(误差反传神经网络)模型,且判别异常源比BPN模型更准确。针对实际齿轮加工过程数据的应用验证进一步证实了模型的有效性和实用性。

基于改进支持向量机算法的光伏发电短期功率滚动预测

光伏发电具有明显的波动性与随机性,对其短期功率进行预测可以更准确地实现电网能量管理和运行调度。首先提出了一种基于粒子群优化支持向量机算法(PSO-SVM)的光伏发电短期功率滚动预测模型;通过寻找相似日,以相似日的实际功率和预测日的天气数据作为模型的输入量,对次日一天的发电功率进行预测;再以次日的实际输出功率与预测功率进行滚动对比,当预测点不满足给定预测精度时,以当日实测数据对后期预测点的功率进行修正预测。仿真算例表明所提光伏发电短期功率的滚动预测模型可以更精确地实现功率预测。

输电线路覆冰状态下信息融合模型特征层的分类方法研究

以输电线路覆冰的状态监测为背景,研究此背景下信息融合模型特征层的分类方法。探讨分析了BP神经网络和支持向量机解决问题的可行性,在实验室条件下用两种算法实现了信息融合模型特征层的分类并作了比较总结。

支持向量机在公交车辆运行时间预测中的应用

为实时获得道路交通状况并对车辆运行进行调度,开发一个基于支持向量机(SVM)的公交车辆到站时间预测模型,并以大连市23路公交车为例对该模型进行检验.结果表明,本文提出的SVM模型比历史平均模型(HMP)和神经网络模型(ANN)的预测精度更高.

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型。采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识。采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较。结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据。

运载火箭测发网络异常流量识别技术

运载火箭测发网络系统是维系运载火箭各系统远距离测试发射控制的重要国防信息基础设施,测发网络流量数据的精准分析是检测异常行为和保障信息安全的关键举措。该文综合利用端口映射识别、载荷特征识别、统计分析和支持向量机（SVM）学习算法,构建动态混合识别策略,通过端口映射和载荷特征识别获取机器学习训练样本,利用信息增益完成特征选择,构建SVM机器学习识别模型并进行样本训练,建立投票机制实现流量数据综合分析。利用测发网络真实数据进行测试表明：该算法识别准确度达99.1%,并有效地降低了人工判决分析的次数。