基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。

支持矢量回归机的参数优化及在智能减压阀压力预测中的应用

智能减压阀可通过控制膜片缸压力实现出口压力的智能调节。膜片缸压力是智能减压阀控制器的控制目标,因此需要依据进口压力和出口目标压力对膜片缸压力进行预测。基于此,提出了基于人工化学反应优化算法的支持向量回归机(ACROA-SVR)参数优化方法,并将ACROA-SVR应用于智能减压阀膜片缸压力预测,采用实验数据将ACROA-SVR与基于遗传算法的SVR和传统SVR进行了对比,分析结果表明了ACROA-SVR的有效性和优越性。

基于支持矢量机回归的机器人视觉系统定位精度

如何提高工业机器人视觉系统在不确定性动态环境中的定位精度是机器人完成复杂任务的一个关键技术问题。针对采用单摄像机的机器人和基于位置的视觉伺服控制存在的精度问题,提出一种将基于模型控制方法和基于智能计算方法相结合的方法,以面向小样本原理的支持矢量机回归来构建控制系统误差校正模型,应用该模型对机器人末端在同一个平面上的定位误差进行校正,并且与线性插值、神经网络模型的误差校正结果进行比较分析。现场试验证明,该方法有利于提高机器人的视觉定位精度,能够满足工业机器人进行抓取和装配等任务的需要。