最小二乘超球多类支持向量机

超球体多类支持向量机(HSMC-SVM)是一种直接型多类分类器,具有训练速度快,检测效率高的优点,但由于HSMC-SVM使用一阶范数软间隔作为目标函数的惩罚项,使得其训练精度受到一定影响,为了提高HSMC-SVM训练精度,将最小二乘法引入到HSMC-SVM中,提出了最小二乘超球多类支持向量机(LSHS-MCSVM)的概念,并且分析了它的训练算法和判决规则,从而形成了完整的LSHS-MCSVM分类理论。实验表明,LSHS-MCSVM无论在训练速度上还是在泛化性能上都要优于HSMC-SVM,适合于分类类别多,样本数量大的多分类场合。

基于最大间隔最小体积超球支持向量机的多主题分类算法

针对多主题分类,结合最大间隔最小体积超球支持向量机和模糊理论,提出一种多主题最大间隔最小体积超球支持向量机来实现多主题分类。该算法首先基于最大间隔最小体积超球支持向量机,采用1-a-r方法训练子分类器,通过子分类器得到待分类样本的隶属度向量,再依据隶属度向量判定该待分类样本所属类别。实验结果表明,该算法具有较好的准确率、召回率、F1值。

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。

基于超球球心间距多类支持向量机的滚动轴承故障分类

为了降低滚动轴承故障智能分类的训练时间并提高分类精度,提出了一种滚动轴承正常、内、外环故障及不同故障严重程度的多状态分类方法。该方法首先采用峭度值结合相关系数法确定集合经验模态分解结果中包含主要状态信息的固有模态函数;再将其组成特征矩阵,利用奇异值分解所得奇异值作为特征向量;最后在采用改进分类规则的超球多类支持向量机分类时,提出由各状态超球球心间距中的最值来确定多类分类器核参数的选取范围,缩小选取区间,最终实现滚动轴承的多状态分类。实验结果表明,提出的滚动轴承多状态分类方法可以减少分类器的训练时间,提高分类精度。

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法。首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别。为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别。实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0%。

基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。

基于超球支持向量机的类增量学习算法研究

提出了一种超球支持向量机类增量学习算法。对每一类样本,利用超球支持向量机在特征空间中求得包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开。类增量学习过程中,只对新增类样本进行训练,使得该算法在很小的样本集、很小的空间代价下实现了类增量学习,大大降低了训练时间,同时保留了历史训练结果。分类过程中,通过计算待分类样本到各超球球心的距离判定其所属类别,分类简单快捷。实验结果证明,该算法不仅具有较高的训练速度,而且具有较高的分类速度和分类精度。

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。

基于模糊聚类和最小二乘支持向量机的特高压直流输电线路合成电场预测方法

为了计算给定大气环境参数下的特高压直流输电线路合成电场分布,基于模糊聚类方法提取了与给定环境参数相似的现场测试样本数据,利用粒子群方法优化惩罚系数和小波核函数的尺度因子,提出了特高压直流输电线路合成电场预测的最小二乘支持向量机(LSSVM)方法。并通过实际算例表明:采用粒子群方法优化惩罚系数和尺度因子的LSSVM方法计算效率优于采用遗传算法优化惩罚系数和尺度因子的LSSVM方法;基于模糊聚类和LSSVM方法的预测结果分别与正极半压和负极全压、不同海拔高度的双极全压合成电场测试样本的最大平均误差为6.43%。因此该方法应用于给定环境参数的特高压直流输电线路合成电场预测有着可靠的精度和效率,为特高压直流输电工程环境评估、线路设计等提供了有用的合成电场分析方法。

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。

基于最小二乘支持向量机的光伏出力超短期预测

随着大规模光伏电站接入配网,为了减轻光伏出力的随机性对电网安全稳定运行的影响,有必要加强光伏出力预测研究。提出了一种基于最小二乘支持向量机(LSSVM)的光伏出力超短期预测模型,模型的输入考虑了待预测时段的最新气象信息,提前1h对每刻钟的光伏出力进行预测。为了能更精确地反映待预测日的天气情况,对影响光伏出力的每一气象因素,分别赋予一适当权值,通过计算加权欧氏距离确定各时段的训练样本。最后,利用含有突变情况的天气对训练好的模型进行了测试和评估。结果表明,所提模型预测精度较高,能够为电网调度部门制定合理调度计划提供一定的参考依据。

一类非平坦函数的多核最小二乘支持向量机的鲁棒回归算法

给出了标准最小二乘支持向量机的数学回归模型,并提出了多核最小二乘支持向量机算法,用于提高非平坦函数的回归精度.运用谱系聚类方法解决多核最小二乘支持向量机的解缺乏稀疏性的问题.利用偏最小二乘回归方法对多核最小二乘支持向量机进行了鲁棒回归.通过仿真实例证实了所提方法的有效性.

半模糊超球支持向量机多类分类方法研究

针对支持向量机在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球支持向量机分类方法。该方法首先利用半模糊核聚类方法对样本进行预处理,完成边缘样本的选取,进而以所选样本为训练样本进行超球支持向量机训练,从而有效提高分类器的性能。实验表明,该方法比标准支持向量机多类分类方法具有更高的速度和精度。

用于多分类问题的最小二乘支持向量分类—回归机

基于支持向量机(SVM)的三分类方法是处理多分类问题的一类方法。提出了最小二乘支持向量分类回归机(LSSVCR)算法,通过最小二乘目标函数充分考虑所有样本点对分类的影响,使得训练集中即使有个别样本点被标错类别,对分类结果也不会产生太大的影响,从而提高分类的准确性。该方法能够提高分类的准确率和分类速度,同时算法对于不同类别间样本数目差异较大的情况也有很好的分类效果。数值实验结果表明所提算法是可行的,且与已有的三分类算法相比在分类准确性上平均提高了2.57%,在运算速度上也有了较大的提高。

基于最小二乘支持向量机的超磁致伸缩执行器磁滞非线性模型

为准确模拟超磁致伸缩执行器的磁滞非线性特性,基于最小二乘支持向量机与实验数据建立了超磁致伸缩执行器的模型,结果显示所建模型都能够充分逼近非线性实验数据点。为提高模型的求解速度,仅选用一半的实验数据建立了小样本模型,并与神经网络所建小样本模型对比,结果表明:基于最小二乘支持向量机所建模型的位移预测误差小于1.2μm,而基于神经网络所建模型的位移预测误差大于1.5μm。

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法。该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能。实验表明,该方法比传统方法具有更高的速度和精度。

稳健最小二乘单类支持向量机及其稀疏化方法

针对最小二乘单类支持向量机存在易受噪声样本干扰和稀疏损失问题,提出一种稳健最小二乘单类支持向量机及其稀疏化方法。采用普通最小二乘支持单类向量机确定样本初始权值,通过迭代计算实现权值的优化和稳健分类,在稀疏化过程中,以训练精度最大化和支持向量数最小化为优化目标,建立多目标稀疏化优化模型,采用遗传算法进行求解。实验结果表明,该方法具有更高的分类精度和更优的稀疏性。