最小二乘Littlewood-Paley小波支持向量机

基于小波分解理论和支持向量机核函数的条件,提出了一种多维允许支持向量核函数———L it-tlewood-Paley小波核函数.该核函数不仅具有平移正交性,而且可以以其正交性逼近二次可积空间上的任意曲线,从而提升了支持向量机的泛化性能.在L ittlewood-Paley小波函数作为支持向量核函数的基础上,提出了最小二乘L ittlewood-Paley小波支持向量机(LS-LPW SVM).实验结果表明,LS-LPW SVM在同等条件下比最小二乘支持向量机的学习精度要高,因而更适用于复杂函数的学习问题.*

Modified L-P小波最小二乘支持向量机及在动态系统辩识中的应用

为了提高动态系统的辩识品质,提出了一种新的可调带宽多维支持向量小波核函数—modified L-P小波核函数。理论上证明了这种核函数是满足平移不变核定理的支持向量核函数。由于该核函数具有平移伸缩正交性,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提升了支持向量机的泛化性能。应用Modified L-P小波核作为最小二乘支持向量机的核函数,可以简化计算复杂性,提高学习效率。回归实验和动态系统辩识的仿真结果表明,Modified L-P小波核函数最小二乘支持向量机的建模和逼近能力优于基于L-P小波核函数或高斯核函数最小二乘支持向量机,更适合工程应用。

基于混合核函数PSO-SVM的模拟电路故障诊断

针对模拟电路故障诊断中应用传统支持向量机算法存在的问题,提出由粒子群算法优化混合核函数支持向量机模型对模拟电路进行故障诊断的新方法。首先,对待诊断电路进行瞬态分析,记录输出点的电压值,采用小波包技术对输出值进行特征提取;其次,由粒子群算法优化混合核函数支持向量机的核函数权重和结构参数,用训练好的模型进行故障诊断,该方法不仅降低参数选择时的随机性,而且故障诊断的精确度提升了5%左右。在对某高通滤波器模拟电路进行的故障诊断中,验证了该方法的有效性。

基于尺度核函数的最小二乘支持向量机

支持向量机的核函数一直是影响其学习效果的重要因素.本文基于小波分解理论和支持向量机核函数的条件,提出一种多维允许支持向量尺度核函数.该核函数不仅具有平移正交性,且可以以其正交性逼近二次可积空间上的任意曲线,从而提升支持向量机的泛化性能.在尺度函数作为支持向量核函数的基础之上,提出基于尺度核函数的最小二乘支持向量机(LS-SSVM).实验结果表明,LS-SSVM 在同等条件下比传统支持向量机的学习精度更高,因而更适用于复杂函数的学习问题.

激光诱导击穿光谱的自适应基线校正方法

为了降低远程激光诱导击穿光谱原位分析中连续背景辐射、随机噪声和样品基体效应对特征光谱的影响,提出一种通过适应度函数将粒子群优化和非对称重加权正则最小二乘相融合的自适应基线校正方法,旨在提高远程激光诱导击穿光谱的分析能力。以三种掺杂相近微量元素的铝基合金标样为研究对象,相同实验条件下利用所提出的基线校正方法研究并对比自适应迭代重加权正则最小二乘算法、非对称重加权正则最小二乘算法处理后的光谱信噪比与拟合基线的变化趋势。为了验证所提方法的有效性,构建了三次核函数支持向量机的铝基合金标样精细分类模型,其独立测试集的混淆矩阵分类准确率为100%。结果表明,自适应基线校正方法所拟合的基线变化趋势与激光诱导击穿光谱的实际基线轨迹相吻合,且特征光谱能够清晰地分离。该方法可有效降低随机噪声对光谱数据分析的影响,对于提高远程激光诱导击穿光谱原位分析的准确性和可靠性具有意义。

基于ADE算法的LSSVM在混沌时间序列中的应用

为了提高基于最小二乘支持向量机(LSSVM)模型的时间序列预测方法的泛化能力及预测精度,研究一种基于自适应差分进化算法(ADE)的最小二乘支持向量机模型(ADE_LSSVM)。首先利用相空间重构技术对样本数据进行相空间重构,再利用ADE对LSSVM的两个参数进行组合寻优,最后利用Lorenz系统对模型进行仿真试验并与未进行参数优化的LSSVM预测结果对比。结果表明,ADE_LSSVM方法是一种可行的、有效的混沌时间序列预测方法,可为今后的科学研究提供新的理论思想。

基于萤火虫群优化算法的选择性集成雾霾天气预测方法

雾霾目前已成为严重的环境污染问题,因此需要预测雾霾天气,最小化雾霾的负面影响.文中提出基于萤火虫群优化算法的选择性集成学习方法,首先使用混合核SVM独立训练多个个体支持向量机,然后利用改进的离散型萤火虫群优化算法选择部分精度较高、差异度较大的个体分类器参与集成,最后通过多数投票法得到最终的分类预测结果.应用文中方法预测中国雾霾天气,实验表明方法的有效性和可行性.

基于混合分类器的高压断路器故障诊断

为利用有限故障样本对高压断路器主要故障类型进行精准识别,文中提出了一种基于混合分类器的高压断路器故障诊断方法。首先采用改进F-Score特征选择算法进行特征选择,选择出合适的特征量子集作为构建混合分类器模型的输入参量。混合分类器分别由两个支持向量数据描述和混合粒子群算法优化的小波核函数孪生支持向量机共同组成去识别故障类型。两个并列的SVDD分别用来对正常或故障状态与已知故障或未知故障进行状态识别。HPSO-WTWSVM则用来准确识别已知故障类型。经高压断路器实例验证,表明所提新方法的分类精度优于其他传统方法。

基于BAT优化MK-SVM的电子电路故障诊断

针对电子电路故障诊断问题,提出了蝙蝠算法(BAT)优化混合核函数支持向量机(MK-SVM)的电子电路故障诊断方法。对原始时域电压信号进行小波系数变换,并对数据进行归一化处理。用BAT算法对MK-SVM核函数参数进行优化,以此建立诊断模型。用Biquadratic滤波器电路和双运放高通滤波器电路作为双故障和单故障测试电路,实例电路诊断结果显示,提出的方法实现了故障诊断,相比于传统的DCQGA-SVM方法,表现出了良好的性能,有更高的诊断正确率。

基于GRA与SVM-mixed的货运量预测方法

铁路货运量与其影响因素之间关系复杂,单一核函数支持向量机(SVM)难以进行准确描述,而且各因素对铁路货运量的影响程度具有差异性,若忽略这种差异性,将难以获得理想的铁路货运量预测结果.为此,本文提出一种基于灰色关联分析(GRA)与混合核函数支持向量机(SVM-mixed)的铁路货运量预测方法.该方法采用灰色关联分析确定各影响因素的权重,再将赋予权重的影响因素作为输入变量,构建多项式核函数与径向基核函数线性组合的SVM-mixed预测模型.针对SVM-mixed参数难以确定问题,采用果蝇优化算法(FOA)选择SVM-mixed最优参数.基于中国铁路货运量的实例分析表明,该方法可有效提高铁路货运量的预测精度,为准确预测铁路货运量提供了一种新途径.

基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。