基于递归定量分析与多核学习支持向量机的玻璃纤维增强复合材料缺陷识别技术

为了提高玻璃纤维增强复合材料(Glass Fiber Reinforced Polymer,GFRP)超声检测中缺陷识别技术的准确性,提出基于递归定量分析(Recurrence Quantitative Analysis,RQA)与多核学习支持向量机(MKLSVM)相结合的检测模型,以提高检测GFRP中不同类型缺陷的能力。结果表明,该模型能够准确识别GFRP中的分层缺陷与夹杂缺陷,检测识别率达到92.92%,并且与基于离散小波变换(Discrete Wavelet Transform,DWT)和经验模态分解(Empirical Mode Decomposition,EMD)的MKLSVM检测模型的识别率相比,所提出的检测模型的识别率分别提高了7.5%和3.75%。

基于Optuna框架的L_(p)范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_(p)范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_(p)-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_(p)-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。

基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief⁃F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K⁃Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。

支持向量机核函数选择与样本数据关系探索研究

支持向量机算法是一个传统且成熟的机器学习模型,该算法在分类场景下广泛应用,而核函数选择是影响支持向量机分类效果的核心因素之一。本文通过控制变量方法,选取多种多分类数据进行实验,探究样本数据的数据特征维度、训练样本数量、数据分类数量对于线性核函数、多项式核函数、高斯核函数、Sigmoid核函数四种传统主要核函数分类正确率效果的影响。实验中发现数据集的特征维度大小、训练集数量与支持向量机算法最后的识别正确率呈正相关,数据集的分类数和识别正确率呈负相关;使用高斯核函数的支持向量机算法识别效果优于其他三种核函数的识别效果;线性核函数适合于训练集数量较少的情况,在训练集数量较多时可以选择高斯核函数,高斯核函数对于数据集特征维度大小并不敏感,都较优于其他三个核函数的效果。

群智能算法在月径流预测支持向量机建模中的适应性研究

变化环境下,径流的精准预测愈加困难,集成稳健的优化算法是近年来机器学习发展的动力,也是提高径流预测精度的有效途径。为规避支持向量机(SVM)建模时适应度函数选取的不足,提出基于群智能算法的SVM参数优化范式,并以新疆克孜尔水库月平均径流量预测为例,对粒子群算法(PSO)、差分算法(DE)、灰狼算法(GWO)、鲸鱼算法(WOA)和麻雀算法(SSA)5个典型算法进行仿真验证。结果表明,PSO建立SVM模型合格率(QR)小于60%,预测精度不达标,其余4类算法的平均绝对相对误差和纳什系数分别介于10%~20%和0.75~1之间,预测效果良好;20次独立运算结果中,PSO、WOA、SSA和DE存在预测结果较差的情况,其中PSO的稳定性最差。综合而言,GWO优化的SVM(SVMGWO)在月径流预测中精度、稳定性和可靠性更佳。

基于粒子群优化支持向量机的纱线质量预测

针对复杂纺纱过程中成纱质量预测精度不足以及深度学习对庞大数据集依赖性的缺陷,提出一种基于粒子群算法优化支持向量机的小样本成纱质量预测方法。首先,对原始数据集样本序列进行灰色关联预处理,按照关联度大小进行排序,再结合先验知识库筛选出主要的原棉纤维指标;其次,针对小样本预测问题,建立了线性核、多项式核、高斯核以及自适应带宽RBF核等不同核函数支持向量回归(SVR)预测模型;最后,采用粒子群优化(PSO)算法对高斯核SVR模型的超参数(正则化系数和带宽调节参数)进行辨识,设计一种综合适应度函数与线性递减惯性权重策略,用以提高PSO算法的寻优能力。仿真结果表明:PSO优化高斯核SVR模型对不同成纱质量指标有较好的预测效果,其平均相对误差不超过2%。认为:PSO优化高斯核SVR模型对成纱质量指标的预测误差较低,具有良好的适应性。

基于细菌觅食优化多核支持向量机的作物生长环境控制

为了解决大规模生长环境变量所带来的计算复杂度较高的问题,采用细菌觅食优化多核支持向量机算法对农作物产量进行预测分析,从而实现作物生长环境的最优控制;首先,采用高斯核函数、多项式核函数和Sigmoid核函数组合方式建立多核支持向量机,其输入为作物生长环境,采用细菌觅食优化算法优化核函数关键参数;其次,利用多核函数的参数构建菌群进行训练,设置作物产量作为细菌觅食优化算法适应度;最后,通过菌群位置更新优化后的最优核函数参数进行多核支持向量机优化求解,获得空气温度、湿度,土壤温度、湿度等生长环境特征数据。结果表明,选择合适的多核函数组合,并合理设置细菌觅食优化算法的引力和斥力系数、迁徙概率阈值等参数,能够获得最高产量所对应的作物生长环境特征数据。

支持向量机发展历程及其应用

股票投资作为一种常见的投资方式,其投资方法也日新月异。越来越多的投资分析师利用计算机分析数据的优势来进行股票交易。支持向量机(Support Vector Machine,SVM)作为一种数据挖掘技术,在高维、非线性、过拟合等问题上具有较强处理能力,在股价预测方面表现出特有优势。系统论述了支持向量机的发展及其在预测领域中的应用,并构建SVM股票预测模型,运用股票数据对股票进行涨跌情况预测,通过选取核函数以及调整参数,并计算准确率、精确度、召回率、F1值等预测模型评估指标,分别进行SVM模型和SVM_RBF模型构建及模型效果评估。

基于黑猩猩算法优化支持向量机的变电站接地网腐蚀速率预测

为了提高变电站接地网腐蚀速率预测结果的准确性,提出一种基于黑猩猩算法优化支持向量机的变电站接地网腐蚀速率预测方法。首先对变电站接地网腐蚀速率的特征量进行核主成分分析,确定土壤电阻率、Cl^(-)质量分数、含水量、氧化还原电位与腐蚀速率的关联性较大,选择上述四个特征量作为接地网腐蚀速率预测模型的输入量。然后采用黑猩猩算法对支持向量机进行参数寻优,建立变电站接地网腐蚀速率预测模型。最后采用腐蚀试验数据进行算例分析,并与其他方法的预测效果对比。结果表明,所提模型预测结果的平均相对误差为2.984%,均方根误差为0.00889 mm/a,比其他方法误差波动更小,预测精度更高,验证了所提变电站接地网腐蚀速率预测方法的实用性和优越性。

基于多核支持向量机的句子分类算法

主流句子分类算法采用单一词向量表示模型获得文本表示,导致了对文本的映射能力不足.对此,通过融合多种词向量的文本表示以提高分类的准确率.针对多核学习在融合不同核函数时,常规的核函数系数寻优方法存在的训练时间长、难以求得局部最优解等问题,提出了一种新的核函数系数寻优方法,该方法基于参数空间分割与广度优先搜索不断逼近核系数的最优值.以支持向量机(support vector machine,SVM)为分类器,在7个文本数据集上进行了分类实验.实验结果表明,多核学习分类效果明显优于单核学习,并且所提出的寻优方法在训练次数少于常规方法时也能获得了好的分类效果.

一种基于改进人工蜂群算法优化支持向量机的睡眠呼吸暂停检测方法

目的睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活。目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠。为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony,CGCABC)算法优化支持向量机(support vector machine,SVM)的SAS检测方法。方法从数据集ISRUC-SLEEP中提取25名SAS患者整晚8 h的脉搏血氧饱和度数据,经预处理后对每段数据计算5种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵。比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony,ABC)算法、粒子群(particle swarm optimization,PSO)算法、麻雀搜索(sparrow search,SS)算法优化SVM模型的检测结果进行对比。结果使用CGCABC算法优化的SVM模型在准确率、特异度、敏感度以及收敛时间上均有较好的效果,优于ABC算法、PSO算法和SS算法优化SVM模型的检测。结论本文提出的方法对SAS这一疾病的识别和检测具有重要价值,在医疗领域上具有广泛的应用前景。

基于支持向量机和象群优化算法的入侵检测技术研究

随着信息技术的发展,网络攻击手段日渐多样化、复杂化,传统的网络入侵检测工具在网络环境中的检测准确率较低,难以应对复杂的网络攻击,因此该研究从支持向量机的分类特点出发,对象群优化算法进行改进并将其与支持向量机进行结合,建立入侵检测模型;针对入侵检测模型的参数选定性能与实际检测效果进行分析。结果显示该次设计的模型对普通攻击类型的检测正确率高达96.45%,对普通攻击类型的检测误报率低至5.72%,在面对不同攻击类型时都能保持良好的检测效果,维持良好的稳定性与鲁棒性。

改进粒子群算法优化支持向量机的螺旋CT电气故障诊断研究

文章研究改进粒子群算法优化支持向量机螺旋CT电气故障诊断方法,提高螺旋CT电气故障诊断精度与诊断效率,以满足实际螺旋CT电气故障诊断工作需要。采用最小支持向量机通过非线性函数变换,将多输入单输出的螺旋CT电气故障诊断最优解的求解转换为高维空间最优分类面的求解,实现螺旋CT电气故障诊断;采用改进粒子群算法与交叉验证原理优化最小二乘支持向量机的核函数,提高最小二乘支持向量机算法泛化能力,避免核函数状态影响螺旋CT电气故障诊断精度。实验结果表明:该方法的螺旋CT电气故障诊断结果与实际故障类型几乎一致,核函数优化后螺旋CT电气故障诊断分类准确率高达90%,可提升螺旋CT电气故障诊断的效率。

基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用

将支持向量机(SVM)理论与网格搜索及交叉验证相结合,应用于梯级水电系统隐随机优化调度中,实现径流不确定条件下的梯级实际优化运行。以系统结构风险最小为SVM训练目标,结合参数分布规律,采用指数划分的网格搜索对模型参数进行优选;将K-fold交叉验证技术引入到SVM训练性能评价中,降低了训练样本随机性对训练模型性能的干扰,提高了模型的泛化能力。建立VC_与MATLAB混合编程平台,对梯级水电系统隐随机优化调度运行进行仿真,结果表明基于采用最优参数SVM的隐随机优化调度在梯级系统发电量和发电过程方面取得了良好成果。

应用多分类多核学习支持向量机的变压器故障诊断方法

提出一种基于多分类多核学习支持向量机的变压器故障诊断方法,相对于传统的2分类支持向量机,该方法有如下特点:算法针对单一的优化目标函数求解,只需设计1组参数,降低了支持向量机在解决多类问题中模型构造和参数选择的难度;核函数是多个基核函数的组合,提高了分类的精度;将模型分解为2个凸优问题进行求解,问题的复杂度低,求解速度快。诊断实例表明,该方法能保证较高的诊断准确率,具有较好的实用性和推广性。

基于核函数支持向量回归机的耕地面积预测

科学预测耕地保有量是耕地保护的基础,对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机(support vector regression,SVR)对耕地面积预测的影响,该文以惠州市为例,分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示,RBF核函数SVR预测结果平均相对误差为0.54%,均方根误差为0.007,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012,精度次之;多项式核函数SVR预测结果对应误差为分别为2.71%及0.032,高于BP神经网络模型,但低于多元回归模型。研究表明,在现有3种常用核函数SVR耕地面积预测模型中,基于RBF核函数SVR模型预测能力最强,其次是sigmoid核函数;而多项式核函数则效果较差。

组合核函数支持向量机高光谱图像融合分类

针对高光谱图像分类,提出了一种利用组合核函数融合目标光谱域和空域信息的支持向量机学习算法。该算法首先用主成分分析方法对高光谱图像进行特征提取和降维,用虚拟维数估计策略预估原始图像的本征维数,并且在预估的基础上确定要保留的主成份分量数目;然后用数学形态学操作在选取的主分量图像上提取目标的形态信息,得到扩展的空域形态矢量。最后,通过不同的组合策略,构造组合核函数,从而在分类器中引入空域信息,和原有的谱域信息一起,利用支持向量机进行分类。高光谱数据实验表明,在训练时间没有显著差别的情况下,总体分类精度和Kappa系数均提高了2%左右。实验表明,本文提出的方法较单独使用谱域或空域信息进行分类具有一定的优越性。

基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断

提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法,将数据先用核主元法进行分析和处理,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间中进行特征提取,若数据的Hotelling’sT2和Q统计量超过控制限,说明有故障发生,则计算样本的非线性主元得分向量,并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。该方法可以有效地捕捉变量间的非线性关系,过程监控和故障诊断效果明显好于PCA-PSVM法。汽轮机历史故障特征数据集仿真试验证明了该方法的有效性。

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机(SVM)的性能存在很大差异,核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后,重点对常用的核函数及其参数的选择进行了研究,并采用具有不同核函数的SVM进行非线性系统辨识。大量实验结果表明,采用SVM方法进行系统辨识时,径向基核函数(RBKF)比其它核函数的辨识效果好,且RBKF的参数选择较容易,当参数在有效范围内改变时,空间复杂度变化小,易于实现。因此,RBKF是系统辨识SVM的较好选择。

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性。提出了基于二值粒子群优化(binary particle swarmoptimization,BPSO)的多核学习SVM分类方法(BPSO-MKSVC)进行变压器故障诊断。多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解。采用BPSO优化算法对MKSVC中的基核数及模型参数进行优化,实现了参数的自主选择。与常用诊断算法相比,BPSO-MKSVC具有更高的诊断精度;与PSO优化的SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性。