基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而,目前大多数相关方法基于实验室数据展开,无法反映实际复杂工况下车用电池老化特性。因此,本文利用电动汽车实车数据,设计了一种基于支持向量机与改进高斯过程的混合模型,实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据,设计了集合经验模态分解方法,将电池容量分为长期退化趋势和短期波动两部分,然后分别设计支持向量机与改进高斯过程对这两个分量进行建模,将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明,所提出的方法可以适用于实车数据的高精度容量预测。

基于改进核函数的支持向量机天然气脱硫装置故障诊断方法

针对传统脱硫故障诊断方法反应慢、诊断准确率低的问题,根据Mercer理论,改进了支持向量机(Support Vector Machine,SVM)的核函数及其参数,建立了一个由多项式核函数、Sigmoid核函数和高斯径向基核函数复合成的改进核函数,在此基础上提出了一种基于改进核函数的SVM天然气脱硫装置故障诊断方法。相对于传统SVM,改进SVM体现了各单一核函数的优点,并具有更好的学习效率及诊断准确率,在小样本数据条件下仍然具有较好的泛化能力。利用HYSYS软件建模并与现场数据进行对比实验,由实验结果可知改进SVM的误差率降低到传统SVM误差率的约30%,验证了新方法能有效提高脱硫装置故障诊断的准确率和效率。研究结果有助于天然气脱硫装置故障诊断系统工作的智能化开展,同时也为故障诊断方法的研究提供了借鉴。

基于改进支持向量机的无人值守变电站遥视门禁人脸识别方法

当前的无人值守变电站遥视门禁人脸识别节点设定一般为分布式形式,识别范围较小,导致门禁识别状态延时增加,为此提出对基于改进支持向量机的无人值守变电站遥视门禁人脸识别方法的设计与验证分析。根据实际识别的需求及标准,对识别图像进行预处理,采用多层级的方式,扩大实际的识别范围,设定多层级识别节点,构建改进支持向量机门禁人脸识别模型,采用级联Adaboost处理实现人脸识别。最终的测试结果表明:对比于传统Face++嵌入式遥视门禁人脸识别测试组、传统大数据遥视门禁人脸识别测试组,本次所设计的改进支持向量机遥视门禁人脸识别测试组最终得出的门禁识别状态延时被较好地控制在15 ms以下,说明该种识别方法的针对性较强,识别的速度及效率较高,具有实际的应用价值。

基于改进支持向量机的配电电力变压器内部过热故障识别方法

为降低配电电力变压器内部过热故障识别误差较大的问题,提出基于改进支持向量机的配电电力变压器内部过热故障识别方法。该方法针对变压器内部过热故障展开分析,并基于分析结果,进行特征量的选择和归一化处理,以消除气体体积分值存在的差异,为确保后续识别结果的准确性奠定基础。然后通过跨子群交流策略和最优群体自变异策略改进蛙跳算法。最终基于改进后的混合蛙跳算法来进行实现支持向量机的改进,完成配电电力变压器内部过热故障识别。测试结果表示,采用所提方法进行配电电力变压器内部过热故障识别,其识别确率始终在95%以上,具有较强的应用性。

基于层次模糊熵和改进支持向量机的轴承诊断方法研究

提出一种新的轴承故障特征提取方法——层次模糊熵(Hierarchical Fuzzy Entropy,HFE)。层次模糊熵包括层次分析和模糊熵计算。与多尺度模糊熵相比,层次模糊熵既分析信号的低频分量又分析信号的高频分量,因而能提取更全面、准确的故障信息。改进支持向量机(Improved support vector machine based binary tree,ISVMBT)相比其他多分类器具有识别率更高的优势,因此提出了一种基于层次模糊熵和改进支持向量机的轴承故障诊断方法。首先将HFE作为故障特征提取工具,然后将所得的特征向量输入到改进支持向量机进行模式识别。通过轴承故障诊断的工程应用,表明该方法可以有效提取轴承故障特征,实现轴承不同故障类型和故障程度的准确识别。

改进支持向量机模型的旋转机械故障诊断方法

针对支持向量机在旋转机械的故障诊断中存在的模型超参数选择的不确定性,利用超参数相关理论和先验知识界定模型超参数选择区间,结合全局搜索和局部搜索实现参数优化组合,运用泛化模式搜索的模型超参数选择方法,并将改进的支持向量机模型引入旋转机械的故障诊断。结果表明,改进的模型具有较高的搜索效率和参数优化选择性能,提高了故障诊断的精度。

基于蛙跳算法的改进支持向量机预测方法及应用

针对支持向量机在中长期负荷预测中关键参数选择的问题,引入蛙跳算法(SFLA)以优化基于支持向量机的中长期负荷预测算法,解决支持向量机参数选择问题。以对中国能源消费总量预测为例,对本文提出的改进算法进行验证。以1979—1999年的能源消耗量作为样本,对2000—2009年能量消耗量进行检验。研究结果表明:引入蛙跳算法后,与用粒子群(PSO)算法改进的支持向量机以及普通支持向量机方法相比,改进支持向量机预测精度分别提高2.34%和3.21%,算法运行时间分别增加51 s和109 s。

采用改进支持向量机和复小波变换的谐波及间谐波测量方法

为给谐波、间谐波治理提供准确依据,提出了基于改进型支持向量机和可调窗复连续小波变换相结合的高精度谐波、间谐波测量方法。通过合理优化预设模型的准确性,构造改进型支持向量机对整个测量频带进行初步扫频,以较小的计算量一次性获取谐波、间谐波分量的个数并初步测量其频率。根据改进型支持向量机提供的频谱分布情况,对各个分量跟踪配置复连续小波对应的带通滤波器,逐个精确测量其频率和幅值。通过适当调整各个复小波窗函数的带宽参数,构造频窗互不交叉的复带通滤波器来抑制频率邻近分量之间的干扰,同时能在非同步采样条件下有效抑制基波频率波动对测量精度的影响。仿真结果表明,该方法能够准确测量谐波、间谐波分量的频率、幅值和相位,具有测量精度高、计算量小、抗噪性能好等优点。

基于改进的一对一支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。文章对一对一支持向量机方法进行了改进,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。

基于聚类与改进最小二乘法支持向量机算法的汽车总装输送装备故障预警方法

汽车总装工艺复杂、生产节拍快、产量大,百分之六十以上的时间都在进行主辅物料输送,因此输送装备由于故障引起的停机会造成巨大的经济损失。为了对生产物料输送装备的健康状态作出评估,并在可能发生故障时作出预警,提出一种基于生长型神经气聚类算法与改进最小二乘法支持向量机(LS-SVM)回归模型的汽车总装输送装备故障预警方法。首先根据传感器的历史信号数据进行特征提取和降维处理,获得特征向量;运用生长型神经气聚类算法,将正常状态数据划分为多种工况,得到若干聚类中心,并计算当前运行数据的特征向量与聚类中心的欧式距离从而得到相似度趋势;同时构建了历史记忆矩阵,并通过改进粒子群算法优化LS-SVM回归模型参数,计算残差值,并结合残差值与相似度趋势,得出风险系数,对装备状态进行评估和预警。将所提方法应用于汽车总装物料输送设备,将减速器与轴承的振动值的均方根输入模型,得出设备的风险因子,证明了该方法的有效性。

基于改进的C-支持向量机的手写体数字高识别率方法研究

手写体数字的识别在社会经济、社会生活的许多方面都有着广泛的应用。同时支持向量机是近几年来模式识别领域中的一种新技术,它被广泛应用到文字识别、人脸识别等应用中。为此将支持向量机技术应用到手写体数字的识别中,通过使用改进的C-支持向量机进行手写体数字的识别,并得出相应的识别率,结果表明此方法可行且有较高的识别率。

基于改进支持向量机在移动通信网络隐私数据泄露检测中的应用

文章针对移动通信网络中的隐私数据泄露检测问题,提出了一种基于改进支持向量机(SVM)的检测方法。通过构建移动通信网络隐私数据泄露检测的结构,分析了如何改进SVM算法以及利用粒子群优化技术(PSO)优化SVM参数,从而提高检测准确度和降低计算复杂度。此外,文章还对改进算法进行了实验,实验结果表明,文章提出的方法在准确性和稳定性方面均优于传统方法,具有一定的实用价值。

采用改进果蝇优化算法的最小二乘支持向量机参数优化方法

针对最小二乘支持向量机建模中超参数选择盲目的问题,提出了一种新的改进果蝇优化算法用于超参数寻优。该算法在果蝇优化算法的基础上,通过判断当代寻优所获得的最优值与前代最优值的关系来选择不同的步长计算公式,以实现搜索步长的自适应更新,使其不仅具有果蝇优化算法调整参数少、计算速度快的优越性,而且提高了果蝇优化算法的寻优精度和全局寻优能力。仿真结果和磨机负荷应用表明,与基于网格搜索法、粒子群优化算法以及未改进的果蝇优化算法所建立的预测模型相比,基于改进的果蝇优化算法所建立的预测模型可以显著提高磨机负荷的预测精度,能更准确地描述出磨机负荷的变化规律。

基于改进的支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分累方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。针对一对一支持向量机方法进行了改进,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。

基于改进量子粒子群算法的支持向量机参数优化方法

支持向量机参数的选择对建模精度和泛化性能等有着重要的影响,提出量子粒子群优化(QPSO)改进算法优化支持向量机(SVM)参数的方法。该方法首先将混合扰动算子引入QPSO算法中,用于获取平均最优位置,建立一种基于混合扰动算子的QPSO算法改进方法(IQPSO),然后用IQPSO算法的全局优化能力对支持向量机惩罚系数和核参数进行综合寻优,求取最优化参数组合,从而提高支持向量机的求解速度和解的精确性。利用测试函数和UCI测试数据,对IQPSO-SVM进行仿真测试与分类,实验结果表明,IQPSO能获得很好的优化结果,IQPSO-SVM具有较好的泛化性能。

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machine,SVM),进而建立边坡稳定性预测模型(ISSA-SVM模型)。将重度、黏聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取中外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法(grey relation analysis,GRA)进行敏感性分析。结果表明:ISSA-SVM模型预测精度更高、泛化能力更强,黏聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。

基于改进支持向量机的用户端用电负荷预测研究

常规用户的用电负荷预测方法主要采用分层测量技术,无法提取用电行为动态影响系数,因此预测结果与实际结果间的偏差较大,预测性能不佳。为此,本文提出基于改进支持向量机的用户端用电负荷预测研究。首先,分析影响负荷预测的因素,对其进行拟合优化处理,以获取综合影响指标。其次,采用平均信息向量法求取负荷及影响指标间的相关性系数,并根据用户用电负荷特征曲线时间序列提取用电行为动态影响系数。最后,引入改进支持向量机算法,构建负荷预测模型,进而实现用户用电预测。实例应用结果显示,所提方法得到的预测结果与实际结果基本相符,预测性能较好。

基于改进支持向量机的数字档案多标签分类算法

当前的数字档案分类方法存在测试集与训练集的基数之间差值偏大的问题,导致分类结果出现误差。为此,设计一种新的基于改进支持向量机的数字档案多标签分类算法。根据SVM函数确定数字档案信息的标签隶属度。求解深度指标,完成基于改进支持向量机的数字档案标签挖掘。获取数字档案信息样本,计算标签参量之间的相似度水平,实现基于改进支持向量机的数字档案多标签分类算法的设计。实验结果表明,研究方法下的标签测试集基数与训练集基数之间的差值始终小于350个,不会造成严重的数字档案信息错误分类问题。

基于改进灰狼算法优化支持向量机的边坡位移预测

为了提高边坡位移预测精度,采用帐篷映射和位置收敛参数变化方式调整两种对改进了灰狼算法,得到改进灰狼算法。采用改进灰狼算法对支持向量机进行优化,建立基于改进灰狼算法优化支持向量机的边坡位移预测模型,采用实际水利工程边坡位移数据进行仿真分析,IGWO-SVM模型的平均相对百分误差和均方根误差分别为2.41%和0.21,预测效果优于PSO-BP模型,验证了该模型在边坡位移预测方面的实用性和优越性。

基于改进支持向量机的工业园区节能减排效果综合评价研究

为准确评价工业园区节能减排效果,提出一种基于改进支持向量机模型的评价方法。从污染物对外排放、物质资源利用等6个层面出发,打造工业园区节能减排效果评价指标体系,将采用粒子群优化(PSO)算法改进的最小二乘支持向量机(LSSVM)模型作为评价模型,实现了工业园区节能减排效果的评价。最后,通过江苏省2015-2021年某工业园区新能源节能减排相关数据进行实证分析,验证了方法的有效性。