基于贝叶斯优化支持向量回归的流线型箱梁颤振气动外形优化方法

为解决风洞试验耗时费力和计算流体动力学(CFD)计算量大的问题,提出了一套新型流线型箱梁断面颤振性能气动外形优化方法.以风嘴参数为设计变量,利用CFD获取断面三分力系数,以准定常理论估算的颤振临界风速为优化目标.根据贝叶斯优化支持向量回归构建代理模型,利用混合加点法更新模型,通过寻优算法确定最优断面.以虎门大桥为例,得到桥梁在可行域内颤振性能最佳的断面方案.结果表明,风嘴升高,颤振临界风速先增后减,相对高度为0.6时整体性能较优,相对高度为0.7时可获得最优断面.底板宽增加,颤振性能显著降低,下斜腹板倾角为14°~16°时颤振性能最优.断面优化后桥梁颤振临界风速相比原始断面提升约31%.

基于改进支持向量回归的空战飞行动作识别

针对空战中飞机的飞行动作愈发复杂导致识别准确率低的问题,提出了改进支持向量回归的空战飞行动作识别方法,该方法采用高斯核函数作为线性核函数,利用混沌初始化和反向学习策略改进麻雀搜索算法,利用改进后的麻雀算法优化支持向量回归算法,具体表现为对支持向量回归算法中高斯核函数的参数进行优化,通过优化后的支持向量回归算法进行飞机动作识别。采用了五种基本的飞行动作和几种复杂的飞行动作验证该方法的识别准确率。仿真表明,优化后的支持向量回归算法与传统的支持向量回归算法、模糊支持向量机算法、传统聚类算法、神经网络算法相比,对基本飞行动作的平均识别率至少提升了2.2%,对复杂飞行动作的平均识别率至少提升了3.7%。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

基于改进灰狼优化与支持向量回归的滑坡位移预测

针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟合对趋势项进行预测;其次,对滑坡周期项的影响因素进行分类,采用VMD对原始影响因子序列进行分解获得最优序列;再次,提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR(Circle Tactics Grey Wolf Optimizer with SVR)对滑坡周期项进行预测;最后采用时间序列加法模型求出累计位移预测序列,并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明,与GA-SVR和GWO-SVR模型相比,CTGWO-SVR的预测精度更高,拟合度达到0.979,均方根误差分别减小了51.47%与59.25%,预测精度等级为一级,可满足滑坡预测的实时性和准确性要求。

基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。

基于慢特征分析与最小二乘支持向量回归集成的草酸钴合成过程粒度预报

草酸钴合成过程是钴湿法冶炼的关键单元操作,其粒度分布是重要的质量指标,然而难以在线实时测量。同时,草酸钴合成过程通常存在非线性、多约束和慢时变特征。因此,提出一种集成慢特征分析(slow feature analysis,SFA)与最小二乘支持向量回归(least square support vector regression,LSSVR)的草酸钴粒度预报模型对草酸钴合成过程质量指标实现在线测量。在该方法中,首先,SFA方法可以有效地捕获过程的慢特征向量,解决慢时变问题;然后,利用LSSVR方法建立慢特征与粒度之间的非线性关系模型,进而实现质量指标在线预报。最后,应用非线性的数值案例以及草酸钴合成过程数据,验证该方法的有效性。实验结果显示:相较于单一的径向基函数神经网络(radial basis function neural network,RBFNN)、LSSVR预测模型以及SFA与NN相结合的预报模型,所提方法在数值案例中的预测精度分别提升了13.31%、2.26%、1.72%;在草酸钴合成过程中的预测精度分别提升了13.27%、9.96%、8.92%。

基于支持向量回归的Bootstrap数据扩充方法及其在小子样可靠性评估中的应用

针对航空发动机小子样特性下的可靠性评估问题,提出一种基于支持向量回归(Support Vector Regression, SVR)的Bootstrap数据扩充方法:建立并训练SVR模型,采用邻域抽样法构造输入集,输入训练好的模型中获得扩充样本。仿真结果表明,采用该方法获得的扩充样本较传统Bootstrap方法更接近真实分布,且有效拓展了样本取值区间。以某航空发动机涡轮盘小子样疲劳寿命试验数据为例:(1)非参数方法,采用两种方法获得的平均疲劳寿命十分接近,但新方法获得的置信区间更大,这与样本取值区间的拓展相关;(2)参数方法,对新方法扩充的样本进行参数估计得到的结果与参考值更为接近,最大相对偏差为-1.290 2%,而传统方法的最大相对偏差达到了29.477 6%,两种方法下计算得到的平均疲劳寿命与参考值均较接近,但新方法得到的置信区间与参考区间更为接近。综合来看,所提出的方法能够有效实现样本扩充,具有一定的应用价值。

交叉分段差分进化支持向量回归的气体超声流量计测量方法

为了进一步提高全量程气体超声流量计的测量精度,基于多通道声波到时和实时温度,提出了一种交叉分段差分进化支持向量回归(DE-SVR)模型。考虑到气体在不同流量条件下的流体状态不同,提出了交叉分段处理的方法,采用差分进化算法优化选取支持向量回归参数。实验结果表明,对于16∼1600 m3/h全量程,交叉分段DE-SVR和传统积分方法计算气体流量的平均相对误差分别为0.00447和0.02781,前者较后者降低了83.93%;对于16∼160 m3/h小流量,交叉分段DE-SVR和无分段DE-SVR算法计算结果平均相对误差分别为0.00436和0.03214,前者较后者降低了86.43%。该方法有效避免了声道长度、探头角度以及管道直径等参数不确定性对流量计算的影响,为全量程气体流量的高精度测量提供了保障。

基于支持向量回归数据驱动的配电网潮流回归

随着大量分布式电源接入配电网,配电网潮流分布由原来的单向流动转为双向流动,配电网潮流分布不均、电压越限等问题频现,研究适用于主动配电网的潮流计算更为重要.由于中低压配电网电气参数往往收集不到,量测系统也不如输电网完备,开关动作导致的拓扑变化难以实时反映到监控系统.实践中难以将基于导纳矩阵的输电网潮流方法应用到中低压配电网中.鉴于此,本文提出一种数据驱动的潮流线性回归模型,以实现不依赖于配电网物理模型的潮流计算与分析.首先建立不同类型的母线已知量与未知量的映射关系;其次,进一步推导该模型母线类型变换的更新方式;然后构建基于支持向量回归(support vector regression,SVR)的潮流回归模型,通过嵌入高斯核函数以及对样本进行聚类更好地拟合潮流的非线性;最后,在多个IEEE标准系统和改进的IEEE33节点系统仿真验证了所提方法的有效性.

基于改进支持向量回归模型的高校学生成绩预测研究

为提高学生成绩预测的准确性,考虑到学生学习行为特征数据的高维和非线性特征,提出了一种基于改进支持向量回归模型的高校学生成绩预测。对支持向量回归(SVR)模型的核函数进行了改进;设计了变邻域搜索算法(VNS)对改进支持向量回归模型的参数进行了优化;将上述方法应用于某高校学生数学成绩数据,并与原始SVR和基于其他智能优化方法的SVR进行了对比,验证了所提方法的有效性。

基于变分模态分解-布谷鸟搜索-支持向量回归的变压器油中溶解气体浓度预测方法

针对电力变压器油中溶解气体浓度预测过程中存在的时间序列内部复杂和预测困难等问题,研究了时间序列分解预测重构方式,提出变分模态分解,结合布谷鸟搜索-支持向量回归组合预测方法。首先采用VMD将原始溶解气体浓度分解成为一组平稳的模态分量,降低了预测的复杂度。之后利用预测性能较好的SVR对各个模态分量分别进行预测。最后使用CS开展全局搜索对SVR参数进行优化选取,将得到的溶解气体浓度预测结果进行叠加重构。通过对油中溶解气体中H_(2)的仿真实验,得到VMD-CS-SVR组合模型预测结果的均方根误差为0.124μL/L,平均绝对百分比误差为1.19%,有效提升了预测精度。通过对CO和C 2H 4建模预测,进一步验证了本文所提模型的有效性。

基于网格搜索与支持向量回归的粉煤灰混凝土抗压强度预测研究

支持向量回归(support vector regression,SVR)已被应用于混凝土力学性能的预测,但其超参数的选择一直是影响预测精度的关键因素.本研究提出一种结合网格搜索方法(grid search,GS)和支持向量回归模型的混合机器学习,即GS-SVR模型,用于混凝土抗压强度预测和敏感性分析.该混合模型在从文献中检索到的98个数据集上进行了训练和测试,并在相同的数据集下将模型与原始SVR模型进行性能比较.所获得R为0.981,MSE为3.44,RMSE为1.85,MAE为1.17,MAPE为0.05.研究结果表明:所提出的GS-SVR模型可以作为后续相关研究中抗压强度预测的一个候选方法.此外,还开发了一个图形用户界面(GUI),以便在进行大量的实验室或现场工作之前,能够提供一些初步的估计结果.最后,分析了随机环境下各变量对抗压强度的影响.

基于粒子群算法优化支持向量回归的电火花加工工艺指标预测模型

基于电火花加工过程中放电参数与表面粗糙度之间呈非线性关系,难以找到合适的电参数进行加工,提出了一种基于粒子群算法优化支持向量回归(PSO-SVR)的电火花加工工艺参数预测模型。研究结果表明,PSO-SVR在测试集上的均方根误差(RMSE)为0.302,决定性系数(R^(2))为0.994,较传统SVR模型(RMSE为0.577,R^(2)为0.981)有显著提升,验证了PSO算法优化SVR参数的有效性。对原始数据进行预处理,并基于优化后的数据训练PSO-SVR模型,结果显示:经过数据预处理的PSO-SVR模型在测试集上的RMSE进一步降至0.255,R^(2)提高至0.996,预测精度和泛化能力均得到增强。

基于支持向量回归的血红蛋白浓度无创检测模型

为实现血红蛋白浓度的无创检测,设计基于支持向量回归的血红蛋白浓度检测方法。首先,基于Beer-Lambert定律建立血红蛋白无创检测数学模型;然后,对采集的光电容积脉搏波描记法(PPG)信号进行降噪和滤除基线漂移处理后提取出血红蛋白浓度特征信息,并使用递归特征消除算法对提取的特征信息进行选择,以去除冗余特征;最后,将筛选出的29个特征信息作为回归模型的输入特征,并采用支持向量回归算法构建血红蛋白预测回归模型。通过对249例临床数据进行试验验证(其中199例作为训练数据集,50例作为测试数据集),得出预测值与参考值的均方根误差为1.83 g/dL,相关系数为0.75(P<0.01),试验结果表明本文方法与传统有创检测方法具有较强的一致性。

基于支持向量回归的高炉出铁量预测方法

高炉炼铁是钢铁生产中的重要环节。基于高炉流出的铁水量,选择指定数量的铁包进行装载和运输,能够提高生产效率,并降低整体调度线的能耗。准确预测出铁量,对于后续生产调度有着重要意义。但一方面高炉炼铁涉及大量的物理化学反应和参数变化,且炼铁过程无法从外部实时观测,难以通过直接进行机理分析实现准确的自动控制;另一方面,炼铁过程中记录的鼓风参数、焦炭比、炉渣成分等参数丰富的测量数据,可被用于数据驱动的建模分析。本文旨在通过机理模型分析理想状态下的铁水流速,并设计基于支持向量回归的机器学习模型,对高炉出铁量进行预测。对某日产8000 t铁量高炉的出铁数据进行建模分析,实验结果表明,支持向量回归模型预测出铁量的平均误差在200 t以内,且平均误差、预测标准差等指标优于其它常见的机器学习模型,表现出了数据驱动模型的准确性,能够对实际的高炉炼铁分析和建模提供指导作用,从而降低资源消耗,并提高整体钢铁生产线的生产效率。

机车前端薄壁吸能管仿真模型模糊参数的支持向量回归反求

为了获得影响耐撞性结构有限元计算精度的准确模型参数,提高冲击仿真的准确性,提出一种基于支持向量回归(support vector regression,SVR)模型进行参数优化反求的方法。以一种机车前端防爬结构中的预压薄壁吸能圆管为研究对象建立有限元模型,进行台车冲击试验验证仿真模型准确性。通过拉丁超立方试验设计驱动有限元模型进行少量计算获得数据集,有限元模型中的模糊参数为输入变量,计算与试验载荷的差异为目标响应,通过SVR方法构建映射关系,并采用增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)对超参数进行优化,确定SVR模型最佳配置;通过该最优SVR模型再次使用SEGA优化反求,获得最佳模糊参数组合。使用这组参数组合设置有限元模型,其仿真结果相较初始计算耐撞性指标和载荷曲线匹配程度都得到了提高。研究结果为有限元模型中模糊参数的准确设定、碰撞仿真的精度提升提供了一种新的思路。

增量式稀疏密度加权孪生支持向量回归机

密度加权孪生支持向量回归机(DWTSVR)是一种能够反映数据内在分布的回归算法,具有预测精度高和鲁棒性强等优点,然而其并不适用于训练样本以增量形式提供的场景。针对该问题,提出一种增量式稀疏密度加权孪生支持向量回归机(ISDWTSVR)。首先,辨别新增数据是否为异常样本,并赋予有效样本适当的权重,减小异常样本对模型泛化性能的影响;其次,结合矩阵降维与主成分分析思想筛选出原始核矩阵中的一组特征列向量基代替原特征,实现核矩阵列稀疏化,以获得稀疏解;接着,借助牛顿迭代法和增量学习策略对上一时刻的模型信息进行调整,实现模型的增量更新,同时结合矩阵求逆引理避免增量更新过程中直接求解逆矩阵,进一步加快训练速度;最后,在UCI基准数据集上进行仿真实验,并与现有代表性算法进行比较。实验结果表明,ISDWTSVR继承了DWTSVR的泛化性能,在大规模数据集Bike-Sharing上,新增一个样本模型更新平均CPU时间为5.13 s,较DWTSVR缩短了97.94%,有效地解决了模型必须从头开始重新训练的问题,适用于大规模数据集的在线学习。

基于鲸鱼优化算法-支持向量回归的汽车运动状态估计

为了不依赖动力学模型精度而准确地获取车辆运动状态信息,提出一种基于鲸鱼优化算法-支持向量回归(WOA-SVR)的车辆状态估计算法。首先通过分析车辆动力学基本特性,设计了侧向速度、横摆角速度与车速分离的支持向量回归估计架构;然后对支持向量回归(SVR)模型进行多种行驶工况组成的数据集训练,在训练过程中运用鲸鱼优化算法对松弛变量中的惩罚因子c与核函数参数g进行寻优;最后对估计算法进行单移线、扫频试验虚拟仿真和实车ABS制动、双移线试验验证。结果表明,该算法有效提高了估计精度,且对车速的变化具有鲁棒性,可以实现准确的不依赖动力学模型精度的汽车运动状态估计。

基于支持向量回归和分位数的雷达K分布海杂波形状参数估计方法

针对传统的雷达K分布海杂波形状参数估计方法在异常样本存在情况下估计精度严重下降的问题,该文提出一种基于支持向量回归(SVR)和样本分位数比值的K分布海杂波形状参数估计方法。首先给定K分布杂波参数和分位数位置的值,根据K分布的累积分布函数计算样本分位数比值及其对数,然后建立以样本分位数比值对数为输入、待估计形状参数为输出的SVR模型,通过交叉验证确定SVR模型的超参数,最后训练SVR模型实现对K分布海杂波形状参数的稳健精确估计。仿真和实测雷达数据表明,所提方法的估计误差低于基于矩的估计方法的估计误差,并且与基于分位数的估计方法具有相近估计性能。此外,相比已有基于分位数的方法,所提方法的超参数容易确定,并且不依赖于查表。

基于遗传算法优化支持向量回归的电池SOH预测

针对实车运行过程中电池当前可用容量难获取、电池健康状态评估不准确的问题,提出利用车辆的停车充电片段数据,通过箱型图及卡尔曼滤波算法对安时积分法计算所得的电池容量进行修正,构建支持向量回归模型用于电池衰减预测,通过皮尔森相关性分析确定有效的模型输入参数,结合遗传算法优化模型参数。结果表明:优化后模型的拟合优度可达88%,相较于优化前提高了12%,可以实现电池健康状态的准确预测。