基于均匀设计和最小二乘支持向量机的电容层析成像传感器优化设计

提出一种采用均匀设计与最小二乘支持向量机相结合的电容层析成像传感器结构参数优化方法.该方法以敏感场均匀度为设计目标,采用均匀设计安排试验,试验因素包括ECT传感器的4个重要参数即:极板张角,绝缘管道材料相对介电常数,管道壁厚,以及屏蔽罩与电容极板间的间距.运用最小二乘支持向量机对试验结果进行回归分析,并用因素轮换法进行寻优计算,从而得出优化的传感器结构参数.结果表明:经过优化的电容成像系统具有较好的成像效果.该方法试验次数少,具有较强的实用性.

基于均匀设计的主成分分析-支持向量机模型及其在几丁质酶最适pH建模中的应用

采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入支持向量机,籍均匀设计,构建了几丁质酶氨基酸组成和最适pH的数学模型。当惩罚系数C为10,epsilon值为0.7,Gamma值为0.5,模型对pH值拟合的平均绝对百分比误差为3.76%,同时具有良好的预测效果,预测的平均绝对误差为0.42个pH单位。该方法比用BP神经网络方法效果更佳。

基于均匀设计的支持向量机参数优化方法

在实际应用中,支持向量机的性能依赖于参数的选择。针对支持向量机的参数选择问题进行了研究和分析,提出了基于均匀设计的支持向量机参数优化方法。与基于网格搜索、粒子群算法、遗传算法等支持向量机参数优化方法进行了比较与分析,采用多个不同规模的标准的分类数据集进行测试,比较了四种方法的分类正确率和运行时间。仿真实验表明,四种方法都能找到最优参数,使支持向量机的分类正确率接近或超过分类数据集的理论精度,本文方法具有寻参时间短的特点。

基于均匀设计的最小二乘支持向量机改进算法

针对最小二乘支持向量机模型的参数选取耗时长,容易陷入局部最优而导致过拟合的问题,提出了一种基于均匀设计的将大样本搜索转化为小样本搜索技术的参数寻优方法。把支持向量机算法的每一次训练过程作为一个试验考虑,试验影响因子为算法的参数,运用均匀设计的手段进行方案设计,采用统计的方法对结果进行分析和选择。最后把该方法应用于3个大样本数据集建模中的参数优化,仿真结果表明方法大幅度减小了时间复杂度,较好地解决了最小二乘支持向量机的参数优化问题,同时获得精确的建模效果。

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。

基于均匀设计与支持向量回归的拮抗辣椒链格孢菌解淀粉芽孢杆菌发酵条件优化(英文)

为了提高内生细菌解淀粉芽孢杆菌的抗菌代谢物质的产生,结合均匀设计(UD)与支持向量回归(SVR)发展了一种新的配方优化方法UD-SVR,用来优化选择培养基成分和发酵罐条件。最优配方考虑9因素通过3轮混合水平实验得出最佳优化条件为:淀粉0.5%、葡萄糖2%、酵母提取物0.4%、CaCl21.3%、KH2PO40.1%、30℃、36h、接种量1%、pH7.0。发酵液稀释10倍抑制活性达到57.39%,比基准实验高出20.53%,UD-SVR明显优于参比模型,可被广泛应用于实验设计和分析的处方优化过程中。

基于序贯均匀设计的支持向量机超参数的优化方法

求解支持向量机超参数的优化问题可通过多因素多水平的试验设计来实现。运用序贯均匀设计的方法对高斯径向基核函数参数σ和惩罚因子C进行优化,可以快速且有效地找到最优参数。仿真结果表明,运用序贯均匀设计比直接运用均匀设计效果更佳,且比网格搜索法更具稳健性。

基于均匀设计与支持向量回归的发酵配方优化

结合均匀设计与支持向量回归,提出了一种新的配方优化实验设计与分析方法UD-SVR.将其应用于优化产谷氨酸脱羧酶大肠杆菌诱变株的培养基配方与发酵条件,在考虑9因素时仅通过2轮28个实验,酶活性(吸光度OD630)即由初始的1.528高效提升至2.303,明显优于二次多项式偏最小二乘回归等经验风险最小参比模型.UD-SVR为多因素多水平配方优化实验设计与分析提供了一套预测精度高、指导性强、可解释性好、优化高效的整体解决方案.

基于支持向量机沉降代理模型复合地基优化设计方法

复杂复合地基优化设计缺乏明确可靠的沉降计算公式,很难建立有明确表达式的优化设计数学模型,若直接基于数值模拟来建立模型,则计算工作量巨大。为此,提出一种基于支持向量机沉降代理模型的复合地基优化设计方法。该法基于均匀设计理念,设计多个数值实验加固方案,建立复合地基三维有限元模型,分析路堤荷载作用下复合地基沉降及差异沉降;再采用最小二乘支持向量机(LSSVM)对沉降进行回归分析,建立复合地基沉降、差异沉降的等代模型;以复合地基加固费用为目标函数,以各沉降指标为控制参数,建立复合地基优化设计数学模型;基于遗传算法搜索最优的加固方案,并输出满足设计要求的最经济复合地基方案。将该法用于岸边软土区复合地基优化设计,验证了该法的可行性。

基于支持向量机和粒子群算法的产品意象造型优化设计

为满足消费者对产品造型的感性意象需求,提出了基于支持向量机和粒子群算法的产品意象造型优化设计方法。首先确定目标意象、代表性样本和造型设计参数,进行产品感性意象调查;然后应用支持向量机获得"造型设计参数-产品感性意象"之间的映射关系,建立产品造型意象评价系统;最后以代表性样本为初始种群,以意象评价为适应度评估,利用粒子群算法建立产品意象造型优化设计系统。以汽车轮廓优化设计进行实例研究,结果表明该方法较好地模拟了设计思维,可为产品概念设计提供有效的辅助与支持。

基于决策支持向量机的产品设计知识文档分类研究

为准确地定位大量旧的产品设计知识文档信息,构建产品设计知识库,提出了基于决策树和支持向量机的产品设计知识文档分类方法。通过对产品设计知识文档的分词处理、特征抽取、特征合并和向量表达,为决策支持向量机方法提供了样本数据预处理。在分类算法中,为了改善样本的处理效率,通过二叉决策树依次构建多个支持向量机对文档样本进行分类。同时为了保证样本分类的准确性,在最后一个分类添加一个分类器,再次对样本进行判断,避免出现因前期分类器训练不足而产生的误判。最后,通过分类性能评价理论的验证和企业信息化项目的应用,证明了该方法的有效性和实用性。

基于均匀试验设计的支持向量回归参数选择方法

支持向量机通过引入核函数将低维空间的非线性问题转化为高维空间的线性问题,克服了维数灾难,并展现了极好的学习能力。但是在支持向量回归分析中,核函数的选取和模型参数的选择目前都没有十分有效的方法。针对高斯核函数的情况,首先通过理论分析和数值仿真,给出了模型参数的选取范围,然后结合均匀试验设计和偏最小二乘回归,提出了一种快速有效的模型参数选择方法。理论分析和实例计算表明该方法选取的模型参数确实能够得到泛化能力较好的回归模型。

基于支持向量机算法的智能学习推荐器的设计及实现

远程教学模式作为一种新型的教学模式，应该体现自主性学习特点。为了帮助学生尽快适应自主性学习模式，对案例中学生的学习行为进行了分析。在分析学生学习行为的基础上，提出了支持向量机算法的智能学习推荐器的方案。

边坡角设计的支持向量机建模与精度影响因素研究

运用人工智能领域最新的基于结构风险最小化原理的机器学习算法——支持向量机(SVM)算法,采用线性Linear 和径向基函数 RBF 两种核函数以及ε 不敏感和 Quadratic 两种损失函数,并且考虑惩罚参数 C 的不同,编写了相应的程序对影响边坡角设计的诸多因素进行了机器学习,经过反复调整相关参数和计算对比,找到了拟合精度很高的支持向量机网络,并以此网络对测试样本作预测检验模型的可靠性;对影响支持向量机建模精度的各种影响因素作了计算和分析,在此基础上,初步确定了各参数对 SVM 模型精度影响大小的顺序,为 SVM 在类似工程上的应用提供了借鉴。

支持向量机的进化多核设计

为提高支持向量机分类精度,提出一种基于遗传程序设计的进化多核算法.算法中每个个体表示一个多核函数,并采用树形结构进行编码,增强了多核函数的非线性;初始种群由生长法产生,经过遗传操作后得到适合具体问题的进化多核函数.遗传程序设计的全局搜索性能使得算法设计不需要先验知识.与单核函数及其他多核函数的对比实验结果表明,进化多核有效提高了支持向量机分类性能.

支持向量机理论及其在复杂电机设计中的应用

阐述了支持向量机的历史以及发展现状,介绍了支持向量机在电机设计中的一些应用。对其在永磁球形步进电动机中的应用前景进行了展望。

基于支持向量机的手写体数字识别系统设计

数字识别是光学字符识别技术里发展比较早的一种技术,是OCR的一个分支。数字识别又分为手写数字识别和非手写数字识别,提到的手写数字识别是指脱机手写数字识别。支持向量机是近几年来模式识别领域中的一个新技术,它被广泛应用到文字识别、人脸识别等应用中,是模式识别领域中的研究热点,把支持向量机技术应用到手写数字识别系统中,以期提高识别系统的性能。

基于支持向量机的微体系结构设计空间探索(英文)

通过对微处理器设计空间中有限的设计方案进行模拟,建立支持向量回归模型,对未经模拟的设计进行性能和功耗的预测,从而大大减少了评估整个设计空间的所需时间。通过模型预测得到的最优设计方案和通过模拟得到的最优设计方案很接近,提供了对巨大设计空间进行裁减的方法。将设计空间中0.26%的设计方案作为训练数据,得到的支持向量回归模型对性能和功耗的平均预测错误率分别为0.52%和1.08%,均优于已有的回归模型。相关分析数据显示预测结果和详细模拟结果高度相关,性能和功耗的平均平方相关系数分别为0.728和0.703,这表明支持向量回归模型能捕获各微体系设计参数之间的复杂交互。该模型还为每个预测结果指出了置信区间。

基于模糊支持向量机的产品设计时间估计方法

针对产品设计时间估计中存在的小样本、不确定性数据等问题,将模糊回归理论与支持向量机方法相结合,提出一种Fν-SVM模型,给出相应的设计时间智能估计方法和参数优选算法。进行了注塑模具设计的实例分析,结果表明基于 Fν-SVM的时间估计方法是有效和可行的。

基于统计试验设计方法的支持向量机参数选取

为优化支持向量机算法参数的选取,提出了一种基于统计试验设计的参数选取方法。在参数空间内进行优化搜索,以较少的搜索次数获得参数的优化组合,提高算法整体性能。将基于统计学基础的正交试验设计方法整合到支持向量机算法的实施过程中,形成一个完整的算法。在几个数据集上的测试结果表明,该方法能够有效提高分类率,相应的模型复杂度较低。