基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于"一类对余类"策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。

局部化的广义特征值最接近支持向量机

基于广义特征值的最接近支持向量机(Proximal Support Vector Machine via Generalized Eigenvalues,GEPSVM)是一种新的具有与SVM性能相当的两分类方法,通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面.其决策是将测试样本归为距其最近的超平面所在的类.然而,该规则在某些情形会导致较差的分类结果.对此,在GEPSVM基础上,通过在类拟合超平面上寻找一个包含了所有训练样本投影的局部凸区域,来决定样本的类别.该局部方法不仅具有较GEPSVM更优的分类性能,同时还衍生出了求解超平面上凸壳的简单且易于核化的新算法.最后在人工和UCI数据集上获得了验证.

马氏度量下局部化广义特征值最接近支持向量机

局部化广义特征值最接近支持向量机(Localized GEPSVM,LGEPSVM)是从广义特征值最接近支持向量机(GEPSVM:Proximal Support Vector Machine via Generalized Eigenvalues)衍生而来,其原理是在GEPSVM通过求解广义特征值获得两个彼此不平行的超平面的基础上,分别求解两个超平面的凸壳,修改GEPSVM的分类判据为将测试样本归为距其最近凸壳所属的那一类.分析和实验表明,LGEPSVM较之GEPSVM具有更高的分类精度.然而,由于LGEPSVM在训练和分类过程中都涉及凸壳计算问题,因而费时较多.为了缓解这一问题,本文提出的基于马氏度量的最小椭圆凸壳算法MLGEPSVM(LGEPSVM based on Mahalanobis Metric),即分类时只需要判断样本与对应椭圆凸壳的距离.较之LGEPSVM和GEPSVM,MLGEPSVM具有如下几个特点:(1)给出了马氏度量下的椭圆凸壳计算方法,(2)分类速度更快,(3)更低的存储空间,每类样本仅需存储椭圆凸壳(可通过中心和协方差表示),而不是所有的凸壳顶点.在人工和标准数据集上的实验,验证了MLGEPSVM的上述性能.

基于广义正态分布算法优化支持向量机的电机轴承故障诊断研究

为了提高旋转机械设备故障诊断的准确率,提出一种基于广义正态分布优化(Generalized Normal Distribution Optimization,GNDO)的支持向量机(Support Vector Machine,SVM)算法。在SVM算法的基础上,使GNDO对其进行寻优求解,找到SVM算法的最优参数组,以此推导出GNDO-SVM算法。结果表明,在电机轴承故障诊断中,GNDO-SVM算法相较于SVM算法的分类准确率提高了3.9个百分点,有着更好的有效性和准确性。

基于支持向量机的PSA制氧机气控阀故障诊断

目的提出一种故障诊断方法,以有效诊断变压吸附(Pressure Swing Adsorption,PSA)制氧机气控阀故障类别,防止因气控阀故障造成PSA制氧机无法工作。方法运用时域和频域分析方法分析气控阀动力信号,选取表征典型故障的特征值,并运用选出的特征值对支持向量机(Support Vector Machine,SVM)训练,获得准确的SVM模型。使用该SVM模型对待测气控阀压力信号进行故障标签分类。结果选取10个维修返厂气控阀进行无标签验证,每个气控阀采集200组数据,放入该SVM模型中进行故障诊断。实验结果与SVM模型预测结果完全相同,实验验证准确率为100%。结论提出一种基于时域、频域特征与SVM模型相结合的制氧机气控阀故障诊断方法,通过此方法可高效地诊断气控阀的故障类别,实现准确更换或修复气控阀内元件,为后续气控阀故障诊断提供思路和方法。

随机特征上一致中心调节的支持向量机

支持向量机(SVM)是最为流行的分类工具,但处理大规模的数据集时,需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出一种新的并行SVM算法,RF-CCASVM,可在有限计算资源上求解大规模SVM。通过随机傅里叶映射,应用低维显示特征映射一致近似高斯核对应的无限维隐式特征映射,从而用线性SVM一致近似高斯核SVM。提出一致中心调节的并行化方法。具体地,将数据集划分成若干子数据集,多个进程并行地在各自的子数据集上独立训练SVM。当各个子数据集上的最优超平面即将求出时,用由各个子集上获得的一致中心解取代当前解,继续在各子集上训练直到一致中心解在各个子集上达到最优。标准数据集的对比实验验证了RF-CCASVM的正确性和有效性。

中心支持向量机的改进及其在地源热泵系统提高防冻剂传热能力的应用

为有针对性地解决地源热泵系统中防冻剂传热能力的问题,对现有中心支持向量机进行了改进研究,构建了加权中心支持向量机模型。并通过对地源热泵系统常用防冻剂传热能力的分析研究,给出了应用加权中心支持向量机对地源热泵系统混合防冻剂传热能力分类的新方法。

基于支持向量机的架空直立式码头船舶撞击力预测模型

针对现有结构监测方法尚无法对码头的不规范靠泊进行实时监测的问题。提出了一种基于支持向量机的预测模型用于对架空直立式码头船舶撞击力的实时监测。结合架空直立式码头的结构特点,基于广义结构刚度对码头桩基的重要性进行评估,对监测桩基进行优化选择。以重庆新田港码头一期第10结构段为概化研究对象,按1:20的比尺构建码头物理模型,模拟不规范靠泊作用。将采集的优化桩基的应变数据用预测模型进行训练与验证。该预测模型对于撞击力的作用位置识别精度为0.98,对于撞击力的作用强度预测的平均相对误差为0.234%。

两电机变频系统的支持向量机广义逆内模解耦控制

针对两电机变频系统非线性强耦合的特点,提出基于支持向量机广义逆内模控制的方法。对工作在矢量控制方式下的两电机变频系统数学模型进行广义逆存在性分析,从而得出系统广义逆数学表达式。通过支持向量机来辨识原系统的广义逆系统,然后对复合后所得到的伪线性系统引入了内模控制。该方法结合了支持向量机在小样本上具有良好的非线性建模能力和泛化能力,以及内模控制器易于在线设计的优点,同时兼顾系统的鲁棒稳定性,从而可以有效提高系统的控制效果。仿真和实验结果表明,该方法具有良好的动静态解耦性能,对外界扰动亦有很强的鲁棒稳定性。

基于支持向量机广义逆的永磁同步电机模型参考自适应控制

针对永磁同步电机多变量、非线性、强耦合的特点,提出了基于支持向量机广义逆的模型参考自适应控制策略.在分析永磁同步电机广义可逆性的基础上,利用支持向量机回归理论辨识出系统逆模型并引入线性环节构造其广义逆系统,进而与原系统串联构成广义伪线性复合系统,实现被控对象的线性化重构,简化系统结构和外围控制器的设计难度.结合模型参考自适应控制策略,将支持向量机广义逆作为主控制器,设计出新型可调增益的闭环自适应控制器,提高了系统的鲁棒性.仿真与实验表明,该方法不依赖于被控对象的数学模型,系统抗干扰能力强,减小超调的同时提高了响应速度,实现了转速的高精度跟踪控制.

基于支持向量机和模糊层次分析法的虚拟研究中心合作伙伴优选决策

针对虚拟研究中心伙伴决策过程中信息的模糊性和不确定性,提出了一种基于支持向量机和模糊层次分析法的综合评价模型。首先应用基于支持向量机的分类模型对虚拟研究中心候选合作伙伴数据信息进行分类,经过初步筛选缩小候选合作伙伴集合,再采用梯形模糊数构造评价模型的判断矩阵,选用一致性充要条件检验判断矩阵的一致性,进而推导出评价模型中各评价准则下指标的权重,最后运用梯形模糊数的重心法,完成候选合作伙伴的综合评价值排序,并以雅砻江水电开发虚拟研究中心伙伴选择为例进行分析。研究表明,基于支持向量机和模糊层次分析法模型能减少虚拟研究中心伙伴选择决策的输入量,提高分类精度和决策效率;此外,由于梯形模糊数在层析分析法中的应用,使综合评价模型能有效地结合定性与定量分析,减少人为主观因素的影响,从而优选出最佳的合作伙伴。

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系,提出了基于中心距离比值的增量支持向量机。与传统方法相比,基于中心距离比值的增量支持向量机有效的利用了中心距离比值,解决了CDRM+SVM的阈值选取问题;且适合于增量学习;从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。

多输入多输出非线性系统的最小二乘支持向量机广义逆控制

针对神经网络逆控制存在的不足,对一类模型未知且某些状态量较难测得的多输入多输出(MIMO)非线性系统,在状态软测量函数存在的前提下,提出一种最小二乘支持向量机(LSSVM)广义逆辨识控制策略.通过广义逆将原被控系统转化为伪线性复合系统,并可使其极点任意配置,采用LSSVM代替神经网络拟合广义逆系统中的静态非线性映射.将系统的状态量辨识与LSSVM逆模型辨识结合,通过LSSVM训练拟合同时实现软测量功能.最后以双电机变频调速系统为对象,采用该控制策略进行仿真研究,结果验证了本文算法的有效性.

基于类中心思想的去边缘模糊支持向量机

针对两类分类问题中样本点数量多、类别模糊且有孤立野点的情况,论文在类中心向量方法的基础上,提出了一种基于类中心思想的去边缘模糊支持向量机,该方法用类中心思想预先去掉那些可能不是支持向量的点,并采用降半哥西分布作为隶属度,使其适合模糊分类的性能特点。从理论和实证分析两个方面将该方法与线性可分SVM及模糊SVM进行了对比分析,结果显示该方法不但大大减少了训练点数目,从而减小了内存和计算量,提高了训练速度,而且减少了孤立野点对支持向量分类机的影响。

基于广义加权支持向量机的焊接缺陷分类方法

提出了一种广义加权支持向量机(GW SVM)的焊接缺陷分类算法。首先为克服由于样本数量不平衡性引起的小样本类别精度差的问题,引入由于样本差异的权重;然后为解决不同类别的重要性要求,根据经验人工确定不同类别重要性的权重。针对样本重要性的影响,采用有监督模糊聚类方法来确定样本重要性权重。测试结果表明:广义加权支持向量机在噪声影响较大及样本类别相差较大时,能够提高重要的、数量少的缺陷检测精度。

基于广义学习矢量量化和支持向量机的混合短期负荷预测方法

提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。

广义支持向量机的多项式光滑函数法

为了求解广义支持向量机(GSVM)的优化问题,将带有不等式约束的原始优化问题转化为无约束优化问题,由于此无约束优化问题的目标函数不光滑,所以引入一族多项式光滑函数进行逼近,实验中可以根据不同的精度要求选择不同的逼近函数。用BFGS算法求解。实验结果表明,该算法和已有的GSVM的求解算法相比,更快地获得了更高的测试精度,更适合大规模数据集的训练。因此给出的GSVM的求解算法是有效的。

基于壳向量和中心向量的支持向量机

针对支持向量机(Support vector machines,SVMs)中大规模样本集训练速度慢且分类精度易受野点影响的问题,提出一个基于样本几何信息的支持向量机算法。其基本步骤是,首先分别求取每类样本点的壳向量和中心向量,然后将求出的壳向量作为新的训练集进行标准的SVM训练得到超平面的法向量,最后利用中心向量来更新法向量从而减少野点的影响得到最终的分类嚣。实验表明,采用这种学习策略,不仅加快了训练速度,而且在一般情况下也提高了分类精度。

一种广义不可分的支持向量机算法

针对标准的C-SVM(C-support vector machine)算法在处理很多实际分类问题时,对识别错误代价损失差异很大的极端情况表现出的局限性,提出一种通用的广义支持向量机算法。根据识别错误后所付出的代价,可以把最优分类面向代价损失低的一方进行推移,留给代价损失高的一方更大的空间,提高其识别率,从而减小识别错误后带来的代价损失。该方法进一步提高了标准C-SVM的适用性以及样本的正确识别率,将新算法应用到高分辨雷达距离像的识别中,实验证明,广义C-SVM能取得比传统C-SVM更好的识别效果。