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。

基于特征信息熵与支持向量机的智能网联汽车CAN总线异常检测技术

本文结合CNA报文的结构特点,探究了基于特征、信息熵的异常检测技术和基于支持向量机的异常检测技术。基于特征、信息熵的异常检测技术,将CAN ID作为特征,统计包含该特征的所有报文并计算信息熵。根据信息熵确立阈值标准,对比CAN总线报文的熵值是否在阈值范围内,从而检测是否存在异常。仿真结果表明,在报文数量较少的情况下,该技术的异常检测率可以达到100%。基于支持向量机的异常检测技术,将异常报文预处理后输入到支持向量机中训练,得到异常检测指标。利用该指标与CAN总线报文进行对比,从而检测是否存在异常。实验结果表明,该技术对多种CNA报文的异常检测率在90%以上。

弱监督场景下的支持向量机算法综述

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量的、唯一且明确的真值标记样本来训练学习器,在不完全监督、不确切监督以及多义监督等弱监督场景下难以取得较好的效果.本文首先阐述了弱监督场景的概念和SVM的相关理论,然后从弱监督场景角度出发,系统地梳理了目前SVM算法的研究现状和发展,包括基于半监督学习、多示例学习以及多标记学习的方法;其中基于半监督学习的方法根据数据假设可细分为基于聚类假设和基于流形假设的方法,基于多标记学习的方法根据解决方案可细分为基于示例水平空间、基于包水平空间以及基于嵌入空间的方法,基于多标记学习的方法根据处理思路可细分为基于问题转换和基于算法自适应的方法;随后,本文总结了部分代表性算法在公开数据集上的实验结果;最后,探讨并展望了未来可能的研究方向.

基于支持向量机的农业中小企业供应链金融信用风险评价

农业供应链金融的发展,有效缓解了中小企业融资难的问题,但如何有效评估其信用风险尤为重要。针对农业中小企业,构建了供应链金融信用风险评估指标体系,并运用支持向量机建立了风险评估模型。经过对41组农业中小企业的数据进行训练和检验,发现该模型可以更准确地评估农业中小企业的信用风险,从而帮助商业银行等金融机构采取更有效的应对措施。

基于支持向量机的蓄水工程土地利用分类与动态变化

为进一步恢复和重建蓄水工程建成前后土地利用变化的历史过程,更好掌握和预报土地利用转移方向,本文利用支持向量机理论开展了土地利用类型解译的适应性研究,通过梳理土地利用动态变化,剖析了蓄水工程建成前后土地利用结构的自适应调节能力和演变方向。结果表明:(1)依靠自学习和自适应等优势能力,支持向量机解译土地利用分类的总体精度高达91.7%、Kappa系数为0.90;除耕地生产者精度相对较低外,水体、林地等其他土地类型具有较高的分类识别能力。(2)利用谷歌地球引擎(GEE)平台梳理土地利用类型演变过程发现,受“三北防护林”工程二阶段(2001—2020年)等项目实施影响,建设用地、林地面积出现较大增幅,其中,林地面积较2000年实施初期增加了近5倍。(3)工程建设运行后林地和建设用地近2/3面积保持了原貌,水体和未利用土地受水利和城建工程影响,原貌类型超过65%以上面积变成了其他类型;“三北防护林”工程加快了林地面积的增加和草地植被覆盖度的提高,低覆盖度草地转移到中、高覆盖度草地的面积净增幅达48.0%、50.2%。

基于支持向量机集成的船舶舱室温湿度预测

针对船舶舱室温湿度保持困难、数据难以预测的问题,提出了基于克隆选择算法的支持向量机集成方法。首先,利用克隆选择算法优化个体支持向量机,根据个体预测误差进行自适应集成;然后,对舱室温湿度时间序列数据样本化,采用支持向量机集成进行训练、测试;最后通过统计测试结果以及与BP神经网络、单支持向量机、GM(2,1)模型的预测误差对比发现,支持向量机集成模型可有效预测空调故障条件下船舶舱室温湿度的变化规律,为装备的使用和维护提供技术支持。

一种支持向量机的相干解调系统误码率模拟预测算法

针对信道中高斯加性噪声引起接收端相干解调系统的误码问题,提出了一种支持向量机的相干解调系统误码率模拟预测算法,为提高通信系统的抗噪特性提供研究基础。文中采用差分进化算法与支持向量机SVM算法相结合的方法,通过差分进化算法优化SVM算法中的惩罚因子与高斯径向基的核函数参数,并对模拟环境下相干解调系统受高斯加性噪声影响所产生的误码数据进行了预测。实验结果表明,基于差分进化的SVM算法预测模型相比经典遗传算法预测精度提高了3.7%,预测精度基本满足误码率数据的预测要求,并具有较强的泛化能力。

基于支持向量机的油气生产复杂系统信息物理攻击识别方法

在数据驱动的复杂油气生产系统中,存在故障数据干扰攻击识别的问题,忽视系统内部可能存在的故障数据对攻击检测的影响,则难以及时防御攻击或解决故障。因此,为了提高复杂油气生产系统中信息物理攻击检测的准确性,提出了一种基于支持向量机的无向图联合检测方法。首先,对复杂油气生产系统中的关键传感器拓扑化形成无向图,建立传感器之间的连接关系并捕捉数据交互。然后,利用支持向量机检测传感器系统异常原因,并选择接收站低压泵及接收站储罐系统作为示例验证,前者的准确率、精确度、召回率和F1分数均高于99%,后者F1分数高于99%,其余均高于97%。与传统方法K均值聚类相比,本方法具有更高的准确性、鲁棒性和完整性,有助于防范攻击和生产事故,保障油气生产系统的安全。

基于可优化支持向量机的岩相识别模型-以X油田A区为例

X油田A井区长62主要发育泥岩,细砂岩,有效储层主要为细砂岩,如何准确高效精细地识别岩相是油田生产试油选层亟待解决的问题。传统的经验值法对于研究区砂体的识别效果一般,准确度不高。基于此提出一种砂体识别的新方法,利用前人研究成果结合研究区实际地质情况选取特征向量作为支持向量机的输入层进行岩相的预测,并对支持向量机模型进行优化,该方法克服了传统方法经验值划分对于大样本数量需求,特征参数维度高,分类样本非线性识别准确性差等缺点。从而高效,快捷地完成砂层预测与识别,有效地解决了研究区砂体识别问题,对于生产试油研究具有一定的实际意义。

基于声音特征优化和改进支持向量机的鸟声识别

为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机(Support Vector Machine,SVM)分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。

基于GA-VMD分解与支持向量机的刀具故障诊断研究

目的 研究非平稳性振动信号的分解方法,提出一种基于遗传算法优化后的变分模态分解方法(GA-VMD),提高刀具故障识别准确率。方法 以样本熵为目标函数值,利用遗传算法对样本熵进行迭代计算,得到变分模态分解的最佳分解层数k和惩罚系数α;在此基础上,对刀具振动信号进行分解,并提取刀具故障特征,再利用近邻成分分析(NCA)对故障特征进行筛选,得到与刀具故障状态相关性较强的特征;最后将筛选后的故障特征输入到PSO-SVM分类模型中进行刀具故障诊断。结果 相较于PSO-VMD分解方法,在相同迭代次数下,GA-VMD分解方法对于刀具故障分类的准确率由92%提升至97%。结论 优化后的VMD分解方法降噪效果明显,能提取较好的刀具故障特征,刀具故障识别准确率有了明显提高,为信号分解层数以及刀具故障诊断提供了理论基础。

基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

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。

基于支持向量机的小型变电站智能火灾识别方法

针对小型变电站火灾识别不及时、智能化程度不高的问题,提出一种基于支持向量机的小型变电站智能火灾识别方法。结合小型变电站当前的消防现状,构建智能火灾识别系统框架,通过视频监控以及传感器采集小型变电站现场实时数据,并基于电力物联网进行数据传输以及图像特征分析,利用支持向量机进行分类以对火焰的综合特征进行判断。经过实验分析,小型变电站智能火灾识别系统识别率显著提高,对火焰图像的判别准确,能够有效识别小型变电站火灾风险。

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。

基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900~1200℃、应变速率为0.01~10 s^(-1)条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明:Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。

基于支持向量机的人体异常步态特征识别方法研究

人体异常步态特征识别可分析个体的行走姿势和模式,推算身份信息及人体潜在的健康问题。基于此,文章系统阐述基于支持向量机(Support Vector Machine,SVM)的人体异常步态特征识别方法,分析SVM在处理步态数据方面的技术优势和实现过程,开展CASIA-B和OUMVLP数据集的测试实验,验证该方法在步态识别上的准确性比传统反向传播(Back Propagation,BP)神经网络更高,为复杂行为识别研究提供了新视角。

基于特征加权混合隶属度的模糊孪生支持向量机

模糊孪生支持向量机(FTSVM)忽略了不同特征间的差异,导致核函数或距离的计算无法准确反映样本间的相似性,使FTSVM在处理含有大量不相关或弱相关特征的高维数据分类时,难以达到良好分类效果;且隶属度的设计未有效区分离群点或噪声。针对以上问题,提出了一种基于特征加权混合隶属度的FM-FTSVM。首先计算每个特征的信息增益,并依据信息增益值的大小为特征赋予权重,降低不相关或弱相关特征的作用,使其能更好地应用于高维数据分类;然后,为每一类样本构造一个最小包围球计算基于紧密度的特征加权隶属度,并结合基于距离的特征加权隶属度得到特征加权混合隶属度,综合考虑样本点到类中心的特征加权欧式距离和样本间的紧密程度,可更好识别离群点或噪声数据;最后,融合特征加权核函数,降低不相关特征对核函数或距离计算产生的影响。与对比算法在人工数据集、高维数据集和UCI数据集上进行比较,发现本文提出的方法在区分离群点、噪声和有效样本上有明显优势,且在高维数据集上可获得更好分类效果。

近红外无创血糖浓度的Label Sensitivity算法和支持向量机回归

近红外光谱分析技术在生物医学工程领域具有广阔应用前景。无创且持续性地测量能实时监控人体血糖水平,给糖尿病患者带来极大便利性、提高生存质量、降低糖尿病并发症发生率具有很大的社会效益。无创血糖监测的想法提出较早,但仍然存在预测精度低、预测值与标签值相关性不高等难点,至今没有达到临床要求。近年来,光谱检测技术发展迅猛且机器学习技术在智能信息处理方面具有明显优势,两者结合可以有效提高人体无创血糖医学监测模型的精度和普适性。提出了一种标签敏感度算法(LS),并结合支持向量机方法建立了人体血糖含量预测模型。使用近红外光谱仪采集了4名志愿者食指处动态血液光谱数据(每名志愿者28组数据),并使用多元散射矫正(MSC)方法消除了部分光散射的影响。考虑血糖对不同波长光的吸收有差异,提出了基于血糖浓度标签差的特征波长挑选方法,并构建了标签敏感度支持向量机(LSSVR)预测模型。设计实验,对比该模型与偏最小二乘回归(PLSR)和区分度支持向量机(FSSVR)算法。结果表明,LS算法的最佳特征波长数为32,经特征波长选择后的LSSVR表现最佳,其均方误差降低至0.02 mmol·L^(-1),明显优于全谱段PLSR模型,血糖浓度的预测值与标签值的相关系数提升至99.8%,预测值全部位于可容许误差的克拉克网格A区内。LSSVR模型的优异表现为早日实现血糖的无创监测提供了新思路。

直觉模糊的结构化最小二乘孪生支持向量机

针对最小二乘孪生支持向量机(least squares twin support vector machine,LSTSVM)对噪声或是异常数据敏感和忽略数据内在结构信息的问题,提出了一种直觉模糊的结构化最小二乘孪生支持向量机(intuition fuzzy and structural least squares twin support vector machine,IF-SLSTSVM)。首先采用孤立森林对输入样本点进行预处理;然后通过直觉模糊数的概念,赋予输入样本点不同的权重以减少噪声或是异常数据对分类超平面产生的影响;最后采用K-Means算法,以协方差的形式获取输入样本点之间的结构信息。IFSLSTSVM在LS-TSVM的基础上,考虑了输入样本点在特征空间中的分布信息及输入样本点之间的关系,提高了模型的鲁棒性。实验采取UCI数据集,在0%、5%、10%以及20%的不同比例噪声环境对IF-SLSTSVM算法的有效性进行验证。结果显示相较于6种对比算法,IF-SLSTSVM算法有更好的鲁棒性。