免疫遗传优化支持向量机回归在混沌时间序列预测上的应用

在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列。算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化。免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值。对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度。

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类方法,首先利用短时傅里叶变(STFT)生成普米语孤立词语谱图;其次,提取普米语孤立词语谱图的二值特征;最后,利用免疫遗传优化支持向量机实现语谱图的分类.实验结果表明:普米语孤立词语谱图分类预测准确率为88%～91%.基于免疫遗传优化支持向量机的语谱图分类比基于语音信号分类效果更好.

基于遗传算法优化最小二乘支持向量机的矿工疲劳程度识别模型

为精准识别矿工疲劳程度,减少因疲劳引发的煤矿人因事故,提出了一种基于遗传算法(GA)优化最小二乘支持向量机(LSSVM)的矿工疲劳程度识别模型。首先,通过疲劳诱发试验采集矿工心电数据,利用Friedman检验优选矿工疲劳程度的特征指标;然后,采用主成分分析法对选取的特征指标进行降维处理,建立表征矿工疲劳程度的特征集;在此基础上,利用遗传算法优化最小二乘支持向量机的关键参数,构建矿工疲劳程度识别模型。结果表明:选取的矿工疲劳程度特征指标能够有效反映矿工的疲劳程度;相较GA-SVM和LSSVM模型,融合GA-LSSVM模型可显著提高矿工疲劳程度的识别准确率(平均识别准确率为96.87%)。构建的矿工疲劳程度识别模型可较为高效地识别矿工的疲劳程度,对煤矿人因事故的防控具有一定的现实指导意义。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

支持向量机在边坡稳定性评价中的优化研究

支持向量机在边坡稳定性评价中得到了较为广泛的应用,但目前学者们对边坡的稳定性等级的分级数量及分级区间尚未有统一的认识,同时对训练样本数和验证样本数的划分亦停留在经验层面,较少探讨其最优的样本数。为此选取边坡的坡高、坡角、容重、粘聚力以及内摩擦角五个参数为评价指标,使用GeoStudio软件对不同评价指标的组合进行数值模拟,得到963组数据。使用MATLAB软件对该数据进行SVM模型训练分析后认为边坡的稳定性等级可分为8个等级,验证样本平均准确率为88.39%;当样本总量固定时,验证准确率随着训练样本数的增大而增大;当无其他划分经验参考时,尽量让每个分类等级的验证样本数量约为12个。

基于支持向量机与蛇优化算法的氧化锆陶瓷磨削工艺参数优化

为探究磨削工艺参数对氧化锆陶瓷的磨削温度和法向磨削力的影响,通过单因素实验和支持向量机方法建立磨削温度、法向磨削力的一元模型,模型决定系数均大于0.93。基于一元模型对多元模型进行假设,由正交实验结果和蛇优化算法求解得到多元模型,并对模型进行验证。以温度、法向磨削力的多元数值模型作为目标函数,对温度和法向磨削力进行优化;基于蛇优化算法对工艺参数进行双目标优化,获得磨削工艺参数的最优解,验证实验结果表明,模型具有较高的精度,得到的最优工艺参数合理。

具有间隔分布优化的最小二乘支持向量机

最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。

基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测

锡冶炼过程综合能源消耗占整个锡生产过程90%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GWO-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、RF(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。

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。

基于猎人-猎物优化支持向量机的光伏阵列故障识别研究

为提升光伏电站的运行效率,对光伏阵列的故障识别方法展开了深入研究,并建立基于猎人-猎物优化支持向量机(HPO-SVM)的故障识别方法。该方法以光伏阵列模型的5个参数作为故障特征向量对光伏阵列的故障进行识别,基于仿真数据和实验数据评估该方法的有效性和可靠性。在基于仿真数据进行故障识别时,HPO-SVM的识别准确率达到了99.5556%,十折交叉验证的平均准确率为98.2641%。与支持向量机(SVM)相比,HPO-SVM的准确率分别提高了8.4445%和8.6086%。在基于实验数据进行故障识别时,HPO-SVM的识别准确率达到了98.0645%,十折交叉验证的平均准确率为94.2995%。相较于SVM,HPO-SVM的准确率分别提高了7.7419%和4.5702%。结果表明,HPO-SVM对光伏阵列的故障识别具有较高的准确度、可靠性,并具有良好的泛化性能。

增强支持向量机和遗传算法的WSN安全研究

针对开放式WSN连接到互联网上的智能设备数量和多样性迅速增加而导致的入侵检测误报和入侵检测准确性等问题,提出一种基于增强型支持向量机(Enhanced Support Vector Machine,ESVM)分类和遗传算法(Genetic Algorithm,GA)特征选择的智能轻量级物联网入侵检测算法。该算法进行预处理以将入侵数据集的复杂流量转换为SVM的可读格式,采用交叉和变异算子智能选择信息量最大的流量特征以降低无线网络流量的维数,使用ESVM算法执行分类以更有效地识别入侵攻击检测。实现结果表明,该算法在选择最优流量和提高检测精度方面均有明显改善。

基于粒子群优化支持向量机的地下洞室支护设计

水电站地下洞室支护设计因其环境复杂性而面临重大挑战,现有方案受限于主观经验和低精度等问题,难以满足设计需求。为提高地下洞室设计效率和可靠性,通过引入粒子群优化(PSO)优化支持向量机(SVM)参数,开发地下洞室支护智能设计模型。模型将洞室跨度、洞室高度、洞室高跨比、洞室埋深、围岩类别、岩石饱和单轴抗压强度、最大主应力值、岩石强度应力比作为输入指标。通过对100个国内外水电站地下洞室支护案例的训练测试。结果表明:该模型在各项输出指标上显示了高度准确性,其中喷混厚度、锚杆直径、锚杆间排距的定类准确率分别达到90%、85%、90%,锚杆长度的定量预测拟合优度为0.843。研究成果可为地下洞室支护设计提供一种新方法。

基于PSO优化双子支持向量机的电商经济预测研究

为提高电商经济预测性能,解决因时序复杂、特征量多及用户需求复杂等带来的预测精度偏低的问题,采用双子支持向量机进行电商经济预测。首先,获取电商经济数据特征,接着构建双子支持向量机(TWSVM)的电商经济预测模型,提取TWSVM的正则因子等参数,随机初始化多组参数,并构建多个粒子。然后借助粒子群优化(PSO)算法搜索最优TWSVM参数,以生成适合电商经济预测的最佳TWSVM模型,通过PSO优化获得最优TWSVM参数。最后采用最佳TWSVM模型进行电商经济预测,并对预测结果进行评价。在实例仿真中,以电商经济销售金额和增长率两个指标为主,PSO优化的TWSVM算法的预测准确度均高于90%。

基于最小二乘支持向量机的农村土地利用空间优化配置方法及实例分析

因为农村各类用地数据具有样本小、非线性等特点,导致土地利用空间配置结果的适宜性较差,所以本文提出基于最小二乘支持向量机的农村土地利用空间优化配置方法。基于最小二乘支持向量机预测农村土地利用空间格局,得到各类用地面积数据,对各类用地进行满足经济效益与生态效益最大化的多目标函数的优化配置。实例结果表明,农村土地利用空间优化配置结果中各用地类型高度适宜区域的面积占比均超过75%,证实了设计方法的合理性。

改进鲸鱼算法优化支持向量机实现乳腺癌预测

为了更好地通过人体肥胖的相关指数预测乳腺癌的存在,以抵抗素、葡萄糖、年龄和身体质量指数作为数据特征构造预测模型,通过研究支持向量机(SVM)的参数对模型的性能影响,提出一种基于自适应机制策略改进的鲸鱼算法,即参数自适应鲸鱼优化算法(PAWOA)用来寻找最优参数。采用Tent映射对种群位置初始化,引入自适应参数p^(*)代替随机阈值加速收敛速度,针对给定的目标函数对每个搜索个体进行求解,计算适应度后找到全局最优解,增强种群的全局寻优性能。实验结果表明,优化后的模型精确度提升12.44%,召回率提升13.57%,F_(1)评分提升13.14%。可见,该预测模型拥有更好的效果可以用于辅助判断乳腺癌。

基于粒子群优化和最小二乘支持向量机的储罐腐蚀速率预测

利用粒子群优化(PSO)算法的全局寻优能力,对最小二乘支持向量机(LSSVM)的正则化参数和核参数进行优化,提出了基于PSO-LSSVM的大型储罐腐蚀速率的预测方法。采用该方法对储罐腐蚀速率进行预测,并利用实测数据对模型的预测精度进行验证。结果表明:使用PSOLSSVM获得的腐蚀速率预测结果与实际腐蚀速率较为吻合,罐顶、第一层罐壁、罐底预测结果的平均绝对百分误差分别为2.265%、3.077%、1.18%,均方根误差分别为0.010%、0.012%、0.011%,决定系数分别为0.973、0.982、0.976。该方法可以对储罐内腐蚀速率进行有效的预测。

樽海鞘算法优化支持向量机的RC柱抗侧移承载力预测

现有钢筋混凝土(RC)柱抗侧移承载力预测模型缺乏泛化性能,延性柱抗弯承载力的预测模型不能用于非延性柱的抗剪承载力,反之亦然。机器学习(ML)方法能够解决这一问题,但由于无法自动剔除冗余和不相关特征,使得ML模型复杂度高且容易过拟合。为此,提出一种樽海鞘算法优化支持向量机(SSALS-SVM)方法,基于给定的数据集,SSALS-SVM能利用樽海鞘优化算法(SSA)自动剔除冗余和不相关的特征,筛选最具代表性且各特征之间相关性弱的特征子集形成最优特征组合,同时对控制模型非线性拟合能力的超参数进行优化。优化后的模型既能识别出影响延性和非延性RC柱抗侧移承载力的设计变量,又能反映最优特征组合与抗侧移承载力间的非线性映射关系。为了验证SSALS-SVM方法的泛化性能,基于248个RC柱抗侧移承载力试验数据,分别与现有的RC柱抗侧移承载力预测模型进行对比,结果表明,SSALS-SVM比现有预测模型的泛化性能最高提升了83%。

基于特征优化和支持向量机的航空发动机气路故障诊断

针对现有数据驱动的航空发动机故障诊断算法易受飞行监控数据中冗余特征及噪声的干扰,不能及时修正监测数据中不平衡样本分布对模型泛化性能影响等问题,通过在支持向量机模型中引入特征增维和采用提取算法,提出基于特征优化和支持向量机的航空发动机气路故障诊断方法,并建立相应模型。将涡桨发动机及CFM56-7B发动机航后数据输入模型,分析与预测实际故障发生时刻,并将预测结果与真实结果进行比较,同时将其结果与采用随机森林等4种故障诊断方法所得结果进行对比验证。结果表明:特征优化算法的应用能显著缩短各类故障诊断方法运行时间20%以上;基于特征优化和支持向量机的故障诊断方法使预测准确率达99.8%;针对非平衡实测数据,特征优化算法和回归预测思想的引入能显著提高算法在不平衡数据集上的性能,与非回归算法相比故障检测率提高到91.67%。