基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.

多输出数据依赖核支持向量回归快速学习算法

针对基于递推下降法的多输出支持向量回归算法在模型参数拟合过程中收敛速度慢、预测精度低的情况,使用一种基于秩2校正规则且具有二阶收敛速度的修正拟牛顿算法(BFGS)进行多输出支持向量回归算法的模型参数拟合,同时为了保证模型迭代过程中的下降量和全局收敛性,应用非精确线性搜索技术确定步长因子。通过分析支持向量机(SVM)中核函数的几何结构,构造数据依赖核函数替代传统核函数,生成多输出数据依赖核支持向量回归模型。将模型与基于梯度下降法、修正牛顿法拟合的多输出支持向量回归模型进行对比。实验结果表明,在200个样本下该算法的迭代时间为72.98 s,修正牛顿法的迭代时间为116.34 s,递推下降法的迭代时间为2 065.22 s。所提算法能够减少模型迭代时间,具有更快的收敛速度。

基于数据依赖核LS-SVM的压电智能结构冲击损伤检测

基于支持向量机与信息几何的统计学关联性,从信息几何学的角度通过共形变换构造了数据依赖核函数,并与LS-SVM相结合,从而形成数据依赖核LS-SVM方法。基于一阶剪切变形理论及有限单元方法,对压电智能复合材料层板进行了低速冲击压电响应数值仿真,并进行了特征提取。基于各压电传感器响应信号特征,采用数据依赖核LS-SVM方法,对压电智能复合材料层板进行了冲击损伤检测,并与静态高斯核函数(RBF)的LS-SVM方法进行了对比。结果表明:在同等条件下,相比于静态RBF核LS-SVM,数据依赖核LS-SVM具有更高的损伤检测精度及更强的推广能力。

面向大数据流的半监督在线多核学习算法

在机器学习中,核函数的选择对核学习器性能有很大的影响,而通过核学习的方法可以得到有效的核函数。提出一种面向大数据流的半监督在线核学习算法,通过当前读取的大数据流片段以在线方式更新当前的核函数。算法通过大数据流的标签对核函数参数进行有监督的调整,同时以无监督的方式通过流形学习对核函数参数进行修改,以使得核函数所体现的等距面尽可能沿着数据的某种低维流形分布。算法的创新性在于能同时进行有监督和无监督的核学习,且不需要对历史数据进行再次扫描,有效降低了算法的时间复杂度,适用于在大数据和高速数据流环境下的核函数学习问题,其对无监督学习的支持有效解决了大数据流中部分标记缺失的问题。在MOA生成的人工数据集以及UCI大数据分析的基准数据集上进行算法有效性的评估,其结果表明该算法是有效的。

基于HHT-DDKICA和支持矢量数据描述方法的提升机故障监测

分析提升机振动信号特征抽取和故障监控存在的问题,提出基于HHT-DDKICA和支持矢量数据描述(Support vector datadescription,SVDD)相结合的提升机故障监控方法。该方法通过滤波器把振动信号分解到感兴趣的子频带,使用希尔伯特-黄变换(Hilbert-Huang transform,HHT)把子频带信号分解为多个内蕴模式函数(Intrinsic mode functions,IMFs),给出HHT去噪方法以及基于信号能量准则的IMFs选择方法,保证选取IMFs的有效性。针对单个IMF往往包含多个非线性源振动信号成分的问题,提出数据依赖核独立分量分析(Data dependent kernel independent component analysis,DDKICA)算法对源振动信号进行分离。该方法不仅能够根据数据集确定合适的核函数,而且在经验特征空间中使用DDKICA模型选择准则选择最优模型参数。根据从DDKICA抽取的时频特征分布情况,提出使用SVDD模型构造新的统计量并确定其统计控制限。提升机应用研究表明,该方法能够及时发现运转过程出现的异常情况。