基于LLE和SVM的地震断层自动识别方法

传统地震资料的断层解释主要依靠解释者的知识和经验,存在工作量大、效率低的问题。基于机器学习的断层识别方法,可以融合已有的地质资料、解释人员的知识和经验,构建高质量的数据集,增加解释的准确率。为了提高机器学习方法断层解释的准确率,构建基于局部线性嵌入(LLE)和支持向量机(SVM)算法的断层识别方法。首先,介绍了LLE和SVM算法的基本原理,说明各算法的计算过程和主要参数;然后建立断层正演模型,分析不同属性的断层响应特征,针对训练数据集中多种地震属性之间的信息冗余,分别通过LLE和主成分分析(PCA)2种算法对地震属性数据进行降维,引入的量化指标计算结果表明LLE算法对于非线性数据体有较好的降维效果;利用西上庄井田6条巷道、5口钻井揭露的11854个已知构造信息的数据点,分别训练SVM,PCA-SVM和LLE-SVM断层识别模型;以准确率A、查全率R、查准率P、F作为模型的衡量标准,对比各模型在工区数据上的预测分类性能;其中,LLE-SVM模型综合表现最佳,查准率可达94.4%,远高于其他模型;最后,利用构建的各模型对整个工区进行预测,并结合实际揭露情况和人机交互解释结果进行分析。综合结果表明,基于LLE和SVM的断层识别方法在去除冗余信息的同时能够有效突出断层响应特征,减少主观人为因素的影响,提高断层解释的效率。

基于用户画像的目标信息高精度推送仿真

信息精准推送性能过差会降低信息技术服务企业与用户之间的联系,使相关企业无法及时满足用户需求,为了给用户提供个性化服务,提出基于用户画像的信息精准推送模型。对单一数据来源和多样数据来源展开空间全方位、时间全过程的采集工作,获取贴合实际生活的用户信息,将用户信息与DVMD去噪方法结合,消除用户信息高频分量噪声,获取更为清晰的优化信息。将具备用户行为逻辑的优化信息作为用户画像,与支持向量机(SVM)和Storm、Storm steaming实时计算框架结合,建立信息精准推送模型。实验结果表明,所提方法用户满意度约为85%、且推送精度高。

雷达回波三特征联合海况分类方法

海况作为雷达对海上目标探测的重要背景信息,对其灵活、快速和准确判断在对海探测雷达的目标精细化探测中具有重要作用。为此,本文提出了海杂波时频谱的均值函数脊累积量、标准差函数脊累积量、多普勒谱的区域峰值功率与噪声均值功率比三种差异性特征来区分高/低海况,并利用支持向量机(SVM)构造了三特征联合的高/低海况分类器,最后使用海军航空大学“雷达对海探测数据共享计划”数据集对所提分类器进行测试,结果表明所提方法在使用64个相参脉冲的条件下,即可实现对高/低海况的准确分类,能够满足对海探测雷达工作于扫描模式的需求。

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取380～1 030nm范围内71个染病和88个健康番茄叶片的高光谱图像,同时采用主成分分析法(PCA)对高光谱图像进行处理。选取染病和健康叶片感兴趣区域(region of interest,ROI)的光谱反射率值,同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、相关性(Correlation)、熵(En-tropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值,再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。建立的6个模型中,采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高,达到100%。结果表明,应用高光谱成像技术检测番茄叶片早疫病是可行的。

基于振动信号的水电机组状态劣化在线评估方法研究

实现水电机组状态劣化评估和故障预警是行业研究的热点。论文提出了一种结合时域与频域特征的机组劣化在线评估方法。(1)先利用检测指数确定振动信号中对机组运行状态最为敏感的时域特征;再以机组健康状态下工况参数X(水头、开度等)和检测指数筛选的振动信号时域特征Y为健康样本,利用最小二乘支持向量机构建机组状态健康模型Y=f(X)。基于该模型,以实时工况参数为输入,在线预测对应工况下机组振动信号时域特征健康值,计算健康值与实际值之间的相对误差,作为评估机组劣化程度的时域劣化指标。(2)利用小波变换与奇异值理论对振动信号进行分解,提取健康状态下机组振动信号奇异值特征向量并得到健康聚类中心,实时计算实测信号奇异值特征向量与健康聚类中心之间的相对欧式距离,作为频域劣化指标。结合时域和频域劣化指标,在线计算综合劣化指标评估当前时刻机组劣化程度。结合实际机组运行案例,验证了该模型的有效性和实用性。

利用骨干微粒群算法和SVM诊断电机定子故障

为了实现感应电机定子匝间短路故障的准确识别,提出一种基于骨干微粒群算法和支持向量机(support vector machine,SVM)的故障诊断方法。根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征提取的影响。然后利用小波包频带能量分解技术,将残余电流信号的故障特征谐波分解到不同频带,形成感应电机运行状态的特征向量,并以此作为SVM的输入向量。采用SVM进行分类,并利用骨干微粒群算法和交叉检验优化模型参数,避免参数选择的盲目性。实验结果表明,该方法不但可以有效滤除基波分量,突出故障特征,而且能够在小样本情况下准确辨识感应电机定子匝间短路故障。

基于天气雷达数据的强对流天气下输电线风偏放电预警方法

夏季多发的强对流天气引起的高频次、大范围的输电线路风偏放电事故是电网"迎峰度夏"面临的主要威胁之一。天气雷达是预测强对流天气的有效工具,在气象与电力行业的融合日益紧密的背景下,提出了一种基于天气雷达数据的强对流天气下输电线路风偏放电预警方法。基于天气雷达对强对流的监测数据,采用两层支持向量机构建了强对流大风预测模型,实现对强对流大风风力的三级预测;根据绝缘子串发生风偏时的几何模型,推导了风偏临界风速与输电线路自身参数的关系;结合风力预测结果和输电线路的风偏临界风速,计算风偏放电概率并发布相应等级的预警。通过算例验证了所提方法的可行性和准确性。

石化港区油品管道安全风险评估技术研究

为了合理、精确地评估石化港区油品管道安全风险,结合港区油品管道的现实情况,提出了管道风险评估指标体系,并分别构建了港区油品管道安全风险BP神经网络评估模型和支持向量机评估模型。通过选取两类模型不同关键要素分别试算,达到了优化风险评估模型关键要素、提高评估精度的目的。在案例研究中,通过模型计算,找到了预测误差最小的模型,其累积相对误差仅为0. 76%,可以用来预测港区油品管道安全风险。

基于GA-SVR的CO_2驱原油最小混相压力预测模型

为了得到更精确的CO_2驱原油最小混相压力,考虑挥发组分(N_2+CO_2+CH_4+H_2S)含量、中间烃组分(C_(2-6))含量、重质组分(C_7^+)含量、重质组分的相对分子质量、重质组分密度以及温度的影响,建立了基于遗传算法参数寻优的支持向量回归机模型。模型优点在于使数据结构风险最小化,是基于数据精度高和回归函数复杂性适宜的条件下进行全局参数寻优得到最优模型,根据测试样本数据可以给出预测结果,得到更为准确的最小混相压力数值。该模型计算结果平均相对误差为3.44%,与文献中的实验结果、细管实验结果对比,具有较好的准确性。

基于支持向量机的网络流量异常检测

提出了一种基于支持向量机的网络流量异常检测方法.分析了支持向量机的基本原理,结合网络流量异常检测的特点,讨论了异常检测的特征选择问题;提出了网络流量对称性、TCP报文SYN和SYN/ACK对称性以及协议分布等具有鲁棒性的特征参数,描述了数据的预处理方法.测试结果表明,所选特征参数可有效地检测网络攻击导致的流量异常变化,说明基于支持向量机的检测方法具有较好的泛化能力.

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。

一种短期光伏出力的区间预测方法

确定性的点预测在精度上无法满足大规模光伏并网的调度需求,基于此,提出一种光伏出力区间预测方法。针对光伏功率原始数据的强波动特性,采用变分模态分解(variational model decomposition,VMD)方法将其分解为若干个子序列,并依据样本熵理论,将复杂度较高的子序列重组为波动分量S,采用高斯过程回归(Gaussian process regression,GPR)法对分量S进行预测,得到其波动区间。考虑到GPR本身固有的缺陷,采用纵横交叉(crisscross optimization,CSO)算法对它的超参数寻优过程进行改进,而复杂度相对较低的其他VMD子序列代表光伏出力稳定分量,因此,采用支持向量机(support vector machine,SVM)法直接对它们进行确定性预测,最后通过重组各分量的预测值,得出光伏出力的区间预测结果。

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。

基于支持向量机的港口吞吐量预测

对传统的两个线性组合预测模型进行了研究,提出了一个新的线性组合预测模型Ⅲ。为提高精度,提出了支持向量机非线性的组合预测模型。以青岛港历年集装箱吞吐量为例,与单一预测方法、线性组合预测进行对比,结果表明支持向量机非线性的组合预测方法比较精确。

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。

基于MRMHC-LSVM的IP流分类

提出了一种构建轻量级的IP流分类器的wrapper型特征选择算法MRMHCLSVM。该算法采用改进的随机变异爬山(MRMHC)搜索策略对特征子集空间进行随机搜索,然后利用提供的数据在无约束优化线性支持向量机(LSVM)上的分类错误率作为特征子集的评价标准来获取最优特征子集。在IP流数据集上进行了大量的实验,实验结果表明基于MRMHC-LSVM的流分类器在不影响分类准确度的情况下能够提高检测速度,与当前典型的流分类器NBK-FCBF相比,基于MRMHC-LSVM的IP流分类器具有更小的计算复杂度与更高的检测率。

面向无人化取料机的毫米波雷达感知技术

针对散料港口无人化取料机往复取料效率低,毫米波雷达感知数据集噪声多、波动频繁、数据不平衡导致现有机器学习分类模型效果欠佳等问题,提出了一种基于改进模糊孪生支持向量机结合1-近邻算法的孪生重叠敏感边距分类器的料堆边界感知方法。首先,利用毫米波雷达获取料堆边界扫描数据并进行预处理,依据空间分布以及作业特点设计提取点云的10维特征,组成料堆点云样本数据集;其次,引入改进模糊隶属度函数的模糊孪生支持向量机,将料堆点云样本数据集划分为重叠与非重叠区域;然后,采用模糊孪生支持向量机决策边界、1-近邻算法分别对非重叠与重叠区域样本进行分类,以提高对不平衡数据集的分类能力;最后,将得到的分类结果加入感知环节,达到料堆边界感知目的。在人工作业雷达采集的数据集上的实验表明,所提出感知方法有效提高了对少数类的识别能力。现场实验表明,改进后的感知方法更接近操作员的判断,斗轮空转时间占比减少15.1%,提高了无人化取料机的作业效率,对无人化散料港口的建设具有参考意义。

传感器网络定位中节点攻击类型的分布式识别算法

针对无线传感器网络在定位过程中的外部攻击节点的类型识别问题,提出了一种交替方向-Lp范数支持向量机(ADM-PSVM)分布式识别算法。该算法基于线性支持向量机分类模型,首先引入了Lp范数约束形式,通过选择不同的范数值p以增强分类算法对数据集的适应能力;继而根据交替方向乘子方法推导出了算法的分布式形式,实现了节点根据剩余能量将识别的计算任务分布于不同节点之间进行;最后将算法对各类型的恶意节点数据进行了训练及识别仿真,并讨论了范数约束值以及惩罚因子取值的不同对识别精确率的影响。仿真结果表明,该算法对于恶意外部攻击节点数据具有较好的识别精确度及更高的计算效率。

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。

SVM在九江港吞吐量预测中的应用研究

港口吞吐量预测是港口发展建设的重要依据,正确预测港口吞吐量可促使港口持续健康发展。SVM模型可以在信息量少、数据不完全情况下预测港口吞吐量的发展变化,预测精度高。针对九江港口码头吞吐量进行预测,提出基于支持向量机(Support Vector Machine,SVM)理论的港口码头吞吐量预测模型,将港口吞吐量分别从一般货物与集装箱两类进行分析后,再统一预测港口总吞吐量的趋势,并以九江港口为例,对模型进行实例分析,验证了模型的可行性,预测结果数据清晰,为相关政策制定提供参考。