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。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

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。

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。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

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。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。

基于参数优化多核支持向量机的光伏功率预测算法

准确的光伏功率预测对电力系统的稳定运行具有重大意义。针对现有预测算法在处理多维输入天气变量时存在的运算时间过长和特征提取能力较差的问题,提出一种基于参数优化的多核函数支持向量机的预测算法。首先,该新型算法对数据进行预处理,灰色关联度提取与预测日相似度高的历史日以提升预测精度,主成分分析(PCA)对输入数据进行降维,从而提高光伏功率预测的速度。其次,针对单核支持向量机对多维数据特征提取能力相对较差的问题,基于线性核函数和径向基核函数建立多核支持向量机预测模型,根据每个核函数支持向量机的预测误差计算不同的权重,从而增强对输入数据特征提取能力并提高预测精度。采用灰狼优化(GWO)算法确定不同核函数支持向量机的参数以提高预测精度。最后,通过北京某光伏电站的历史数据集验证了该算法的预测效果。实例分析表明,与传统预测算法相比,预测精度和速度都有显著提高。

基于单类支持向量机的组合导航容错算法

提出了一种基于单类支持向量机(OCSVM)的组合导航容错算法。针对组合导航系统中子系统出现故障会影响整个导航系统精度的问题,采用基于单类支持向量机的方法,对故障进行检测和隔离,并对容错性能进行分析。仿真结果表明:在应用基于单类支持向量机的容错算法后,系统的故障检测模块可以有效地隔离故障数据,降低了多源组合导航系统的位置误差,其可靠性和稳定性也得到了提高。

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。

粒子群算法优化支持向量回归的民机客舱座椅舒适度评价预测

为建立民机客舱座椅舒适度主客观评价之间复杂非线性的评价预测模型,同时提高模型的预测精度,本文将支持向量回归(Support vector regression,SVR)中的惩罚参数C、通道控制参数ε以及核函数参数σ作为优化目标,利用粒子群算法(Particle swarm optimization,PSO)寻找全局最优参数,建立PSO-SVR人-民机客舱座椅舒适度评价预测模型,并对预测结果进行对比分析。分析结果表明:与BP神经网络(Back propagation,BP)模型相比,支持向量回归模型具有良好的鲁棒性;与SVR模型相比,PSO-SVR模型预测精度更高,误差波动小,预测结果均方误差(MSE)降低了85.95%,决定系数(R2)提高了15.42%。因此粒子群算法可以有效提高支持向量回归模型的预测精度和泛化能力。

基于支持向量机算法的音乐风格识别系统

音乐风格分类是音乐信息检索和音乐推荐当中的重要一环,它对音乐风格分类效率的要求越来越高。然而,音乐风格的识别对于非专业人士而言是比较困难的,因此我们建立了一种基于机器学习的音乐风格识别系统,该文研究对象为最具代表性的4类音乐风格,并选取47首爵士风格音乐、47首摇滚风格音乐、42首古典风格音乐以及40首现代风格音乐作为样本,应用快速傅里叶变换、图像特征提取,结合机器学习模型,建立了基于支持向量机算法的音乐风格识别系统,最终实现了四种音乐风格的同时识别。该模型用于盲测的AUC(受试者工作特征曲线下面积)平均值为0.871,分类的准确率为71.7%。

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。

基于支持向量机(SVM)的古代玻璃制品分类

古代玻璃制品是古丝绸之路交易的商品之一,一般依据化学成分对玻璃制品进行分类.但是风化会改变玻璃制品化学成分的含量,从而影响玻璃制品类型的鉴别.本文尝试先预测风化前的化学成分以消除风化的影响,再采用灰色关联分析化学成分的关联关系以及差异,最后建立支持向量机(SVM)模型对古代玻璃制品进行分类.

基于灰狼算法优化支持向量机的变压器故障预测

为提升变压器故障预测的准确性,提出了一种基于灰狼(Grey Wolf Optimization,GWO)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障预测方法。采用GWO算法对SVM进行优化,建立了基于GWO-SVM变压器油中溶解特征气体预测模型,根据油中溶解特征气体随时间变化的特点,通过求取嵌入维数确定模型输入量。文章采用实际运行变压器的油中溶解气体分析(Dissolved Gas Analysis,DGA)数据进行仿真分析,并与其他预测方法对比,结果表明,GWO-SVM模型对H 2预测平均相对误差和均方根误差分别为4.38%和9.48μL/L,预测精度高于其他方法。在变压器油中溶解特征气体含量预测的基础上,利用IEC三比值法进行变压器故障诊断,诊断结果与变压器实际故障一致,验证了变压器故障预测方法的实用性和有效性。

支持向量机回归算法的唐山市降水量空间插值研究

针对传统插值方法在处理小样本和非线性问题上的不足,运用支持向量机回归(SVR)算法对唐山市降水量进行空间插值研究,提出了SVR算法的解决方案,以提高降水预测的准确性。通过收集2020年唐山市32个气象站点观测数据,提取经度、纬度、经纬度乘积、海拔、坡度、坡向和GPM等参数作为特征变量,并利用SVR算法建立降水量空间插值模型。研究结果表明,SVR在解决小样本和非线性问题上具有显著优势,能够有效分析多维变量对降水量分布的影响;验证显示其插值精度R2为0.79, MAE和RMSE分别为33.57mm、39.29mm,该精度在可接受范围内。通过SVR插值法生成精确的降水量分布式信息,可为唐山市旱涝减灾、水资源利用及生态保护提供科学数据支持。

基于粒子群-支持向量机算法的激光诱导击穿光谱钢铁快速检测与分类

钢铁是国民经济中的支柱性产业,由于受生产技术的限制,我国钢铁产品主要集中为质量参差不齐的中低端产品,废品率较高,易造成资源浪费和环境污染。因此,钢铁产品的快速检测与鉴别分类,对保护环境以及提高钢铁资源的回收利用率有着重要意义。利用激光诱导击穿光谱技术(LIBS)进行10种钢铁样品光谱数据的快速采集,并采用支持向量机(SVM)算法对其数据进行学习建模,得到钢铁快速分类模型。然而,由于不同钢铁样品的光谱数据特征是复杂且相似的,导致设置的模型参数也会对SVM模型的分类结果有着较大的影响。为了实现对不同牌号钢铁合金的快速检测分类,实验中采用粒子群算法(PSO)与网格寻优法两种不同方法来优化模型参数,并分别选取样品中6种微量元素(Mn、Cr、Cu、V、Mo、Ti)的17条特征谱线,和经主成分分析法(PCA)对全谱数据降维提取得到的前17个主成分作为模型的输入,建立PSO-SVM、PSO-PCA-SVM、PCA-SVM和SVM四种分类模型。实验结果表明,相比于精度最高的PCA-SVM模型的优化时间(257.84 s),PSO-SVM模型优化时间最短(11.5 s),且识别精度可达96.67%,与PCA-SVM模型的精度(97.5%)几乎相当。该结果表明LIBS结合PSO-SVM算法可实现快速的钢铁检测与分类,该方法为钢铁产品的快速检测与分类提供了一种新的解决途径。

基于遗传算法和支持向量机的XSS攻击检测方法

针对现有基于过滤器、动态分析、静态分析等的解决方案在检测未知XSS攻击方面效果不佳的问题,利用机器学习方法可高效检测出未知XSS攻击的特点,提出一种基于遗传算法和支持向量机的XSS攻击检测模型.通过模糊测试生成XSS攻击预样本,利用遗传算法搜索特征空间,迭代生成最优测试用例,从而扩充数据集、丰富XSS攻击向量库.给出了基于遗传算法和支持向量机的攻击检测模型,确定了XSS测试用例编码规则.进行了适应度函数设计,完成了选择算子、交叉算子、变异算子的设计.从准确率、召回率、误报率和F_(1)值来评价分类器的检测效果,结果表明:该模型准确率达到了99.5%;对比其他检测方法,该检测模型具有更好的检测效果,并且召回率和误报率也有明显改善.

群智能算法在月径流预测支持向量机建模中的适应性研究

变化环境下,径流的精准预测愈加困难,集成稳健的优化算法是近年来机器学习发展的动力,也是提高径流预测精度的有效途径。为规避支持向量机(SVM)建模时适应度函数选取的不足,提出基于群智能算法的SVM参数优化范式,并以新疆克孜尔水库月平均径流量预测为例,对粒子群算法(PSO)、差分算法(DE)、灰狼算法(GWO)、鲸鱼算法(WOA)和麻雀算法(SSA)5个典型算法进行仿真验证。结果表明,PSO建立SVM模型合格率(QR)小于60%,预测精度不达标,其余4类算法的平均绝对相对误差和纳什系数分别介于10%~20%和0.75~1之间,预测效果良好;20次独立运算结果中,PSO、WOA、SSA和DE存在预测结果较差的情况,其中PSO的稳定性最差。综合而言,GWO优化的SVM(SVMGWO)在月径流预测中精度、稳定性和可靠性更佳。