基于模糊最小二乘支持向量机的火灾信号辨识

针对火灾信号特征参数的模糊特性,采用混沌量子遗传算法对模糊最小二乘支持向量机的参数进行优化,建立基于模糊最小二乘支持向量机的火灾信号辨识模型。研究结果表明:基于混沌量子遗传算法的模糊最小二乘支持向量机火灾辨识模型相对误差为1.1%,具有较高的辨识精度;火灾信号辨识性能指标即O2质量分数减少值权重γ1、H2质量分数权重γ2、烟气质量分数权重γ3、温度权重γ4和CO质量分数权重γ5满足:γ3>γ4>γ5>γ1>γ2。

在线模糊最小二乘支持向量机的时间序列预测

基于模糊最小二乘支持向量机和在线学习算法,提出了一种模糊最小二乘支持向量机的增量式算法。传统最小二乘支持向量机引入模糊加权系数后,有效地提高了其抗噪性能。同时利用递推的核函数计算方法增强了该算法的在线学习能力。仿真结果表明,这一算法在运算精度和运算速度上都优于传统的支持向量机算法。

动力电池SOC估算的模糊最小二乘支持向量机法

提出了应用模糊最小二乘支持向量机的方法对电池组的剩余电量(SOC)进行估算。为了与实际情况相一致,采用了prius车型在10-15典型工况下采集的电池在变电流充放电状态下的数据,以电池的工作电压、电流及温度为输入,电池SOC为输出建立了估算模型,使估算的最大误差小于1%,估算精度高,为一种有效的改进SOC实时估算的方法,此方法尤其适用于电动汽车变电流充放电状态。

基于模糊最小二乘支持向量机的飞机飞行动作识别

最小二乘支持向量机是通过解一线性方程组而获得最优分类超平面,而不是传统支持向量机解二次规划问题。当问题由两类扩展到多类时,出现误分、拒分现象。针对飞行动作识别提出解决这一现象的模糊最小二乘支持向量机。采用模糊最小二乘支持向量机对某型飞机飞行动作进行识别,通过实际飞参数据(5种飞行动作模式)的识别结果表明,模糊最小二乘支持向量机较传统的支持向量分类器算法简单,较最小二乘支持向量分类器在识别率上有明显提高。

基于模糊最小二乘支持向量机的蒸发过程预测控制研究

针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征,提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小二乘支持向量机蒸发过程预测控制方法。用变异混沌粒子群算法对模型预测控制进行滚动优化,计算出最优控制序列。以某氧化铝厂蒸发过程生产数据进行实验验证分析,结果表明:模型预测结果中相对误差小于8%的样本达到93.9%,出口浓度稳定在240g/L附近,其控制性能得到显著改善,同时也起到了降低能耗的目的。

基于特征加权FDCT和模糊最小二乘支持向量机的虹膜识别算法

为了克服小波变换在二维空间分析的缺陷,提出了基于快速离散曲波(Curvelet)变换的虹膜识别改进算法。利用能有效捕捉图像边缘信息的Curvelet变换对虹膜图像进行分解,提取低频子带系数矩阵的均值方差和高频子带能量,然后根据不同子带特征的分类能力不同,对各子带特征的离散度进行加权,为分类能力较强的特征向量赋予较大权值,构成虹膜图像的特征向量。利用最优二叉树多类模糊最小二乘支持向量机分类器进行分类与识别。仿真实验结果表明,该算法具有较高的识别性能,具有可行性。

基于模糊最小二乘支持向量机的发酵过程建模研究

青霉素发酵过程具有时变性和高度非线性,对菌体浓度等的在线测量十分困难。最小二乘支持向量机建模,虽然提高了预测速度,但是预测精度有所欠缺。为提高预测精度,本文在最小二乘支持向量机中引入模糊思想,采用一种基于类中心距离的模糊隶属度函数,为青霉素发酵过程菌体浓度建立预测模型。原理分析与仿真结果表明模糊最小二乘支持向量机建模方法相比于单一的最小二乘支持向量机建模,它的预测精度高,性能更加优越。

基于模糊最小二乘支持向量机的系统边际电价预测

系统边际电价是电力市场的核心因素。为了减少样本数据中孤立点对回归性能的影响,将模糊隶属度的概念引入到最小二乘支持向量机中。同时采用网格搜索和交叉验证的方法寻找最佳参数组合,使算法性能达到最佳。以美国加州电力市场的实际数据作计算实例,分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测,结果表明该方法有效提高了预测精度。

基于模糊最小二乘支持向量机的油箱翻车阀故障预测研究

翻车阀是汽车安全行驶的关键保障。当前,翻车阀的性能测试以人工为主,故障检出率低、工人劳动强度大。为提高汽车翻车阀故障预测效率,针对汽车翻车阀各项测试数据的模糊特性,设计了四工位翻车阀自动化检测装置,并提出基于模糊最小二乘支持向量机（FLSSVM）的汽车翻车阀故障诊断和预测方法。采用模糊技术消除多类数据分类时存在不可分区域的问题。试验结果显示了该方法的优越性,模糊最小二乘支持向量机的训练性能和预测性能均优于目前广泛使用的手工测量方法。

基于模糊最小二乘支持向量机的软测量建模

将模糊隶属度概念引入最小二乘支持向量机,提出一种基于支持向量数据域描述的模糊隶属度函数模型,将输入空间中的样本映射到一个高维的特征空间;然后根据其偏离数据域的程度赋予不同的隶属度.该方法提高了最小二乘支持向量机的抗噪声能力,尤其适用于未能完全揭示输入样本特性的情况.将提出的方法用于催化裂化分馏塔轻柴油凝固点的软测量建模,仿真结果表明,该模糊隶属度函数模型能够提高最小二乘支持向量机的预测精度.

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.

基于直觉模糊最小二乘支持向量机的变压器故障诊断

针对基于溶解气体分析的变压器故障诊断数据具有小样本、贫信息且故障诊断结果易受样本中噪声影响的特点,提出一种直觉模糊最小二乘支持向量机算法(IFLS-SVM).先进行相关算法的推导,并设计了基于IFLS-SVM的多类分类器,然后借助Matlab软件实现了电力变压器的相关故障实例诊断,最后将其诊断结果与LS-SVM的几种多分类算法及BP神经网络的诊断结果进行比较.实验结果表明,IFLS-SVM诊断效果较好,抗噪性较强.

基于模糊最小二乘支持向量机的区域粮食安全性预警分析

为提高区域粮食安全性预警精度,针对区域粮食安全预警数据的模糊特性,建立了采用清晰集合构造模糊集合法确定隶属度,采用混沌遗传算法优化参数的基于混沌遗传算法的模糊最小二乘支持向量机区域粮食安全预警模型。应用结果表明,基于混沌遗传算法的模糊最小二乘支持向量机区域粮食安全预警模型的预警相对误差小于2.0%,且区域粮食安全性的性能指标参数满足关系式:粮食自给率权重系数a1>人均粮食占有量权重系数a2>粮食单产水平权重系数a3>人均耕地权重系数a4>粮食生产波动系数权重系数a5。该研究结果可为区域粮食安全性预警分析快速有效地实现提供理论依据。

基于隶属度模糊最小二乘支持向量机的工序能力预测

提出了一种基于隶属度模糊最小二乘支持向量机(FLS-SVM)的时间序列预测新方法。一方面,该方法较好地解决了小样本学习问题,避免了人工神经网等智能方法在对小批量生产工序能力进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,由于对于历史数据实行的重近轻远的原则,使得该方法预测精度高且容易实现。实验表明,该方法具有很好的有效性与实用性。

直觉模糊最小二乘支持向量机

将直觉模糊集的相关理论引入到最小二乘支持向量机中,建立了直觉模糊最小二乘支持向量机的数学模型,并对模型的求解过程进行推导.为验证该算法的有效性,在人工数据集和标准数据集上进行仿真实验.实验结果表明,直觉模糊最小二乘支持向量机算法可降低分类时样本中噪声和野点对分类效果的影响.

改进的模糊最小二乘支持向量机模型

针对最小二乘支持向量机对噪声或孤立点敏感的问题,提出一种融合先验知识的模糊最小二乘支持向量机模型。在训练过程中考虑样本的噪声分布模型,结合样本紧密度策略,自动生成相应样本的模糊隶属度。实验结果表明,该模型对噪声样本具有较好的分类精度。

基于模糊最小二乘支持向量机的系统边际电价预测方法

提出了基于模糊最小二乘支持向量机的系统边际电价(system marginal price,SMP)预测方法。为了减少样本数据中孤立点对回归性能的影响,将模糊隶属度的概念引入到最小二乘支持向量机中的同时,采用网格搜索和交叉验证的方法寻找最佳参数组合,使系统边际电价算法性能达到最佳。以美国加州电力市场的实际数据作计算实例,分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测,结果表明基于模糊最小二乘支持向量机的系统边际电价预测的方法有效提高了预测精度。

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

针对空中交通系统运行周期性和时变性的特点,结合复杂网络理论和模糊最小二乘支持向量机(LSSVM),提出一种基于最优样本集在线模糊最小二乘支持向量机(OTSOF-LSSVM)的飞行冲突网络态势预测方法。首先,基于三维的速度障碍法构建飞行冲突网络模型,并根据航空器的位置、航向和速度判断冲突;其次,分析飞行冲突网络拓扑指标的演化时间序列,得到与预测时刻在时间和距离上相关的样本组成最优样本集;最后,采用在线模糊LSSVM训练得到预测模型,并在模型更新过程中通过分块矩阵思想简化更新过程,提高算法效率。实验结果表明,所提方法能够快速、准确地预测空中态势,为管制员掌握空中交通的发展情况提供参考,并辅助进行冲突的预先调配。

融合先验知识的模糊最小二乘支持向量机模型及其应用

为了解决最小二乘支持向量机(LSSVM)对噪声或孤立点敏感的问题,融合数据样本中的先验知识,提出一种基于噪声分布模型和样本紧密度的模糊最小二乘支持向量机模型。在训练的过程中,考虑样本的噪声分布信息。为了区分有效样本和噪声,研究了基于样本紧密度的策略。运用该策略和噪声分布模型,可自动生成相应样本的模糊隶属度。该方法提高了最小二乘支持向量机的抗噪声能力以及处理含有噪声或孤立点样本的灵活性。将提出的方法运用于润滑油精制生产过程的故障诊断。实验结果表明,该方法具有很好的分类精度和鲁棒性。

基于模糊最小二乘支持向量机的微电网群状态评估方法

针对微电网群能量管理与协调控制系统适应多微电网间多工况控制策略灵活调整的需要,提出了一种基于模糊最小二乘支持向量机(FLS-SVM)的低压微电网群运行状态实时评估模型。该模型基于传统电力系统运行状态描述方法,建立了微电网群及子微电网安全正常运行的边界条件,以电压偏移率、储能剩余容量及充放电时间、发用电功率等多维度特征向量对子微电网状态分类,应用FLS-SVM对子微电网的实时运行状态进行评估,最后判别出微电网群运行状态。实例计算分析表明,该模型可跟随系统采样周期实时评估,对离、并网条件下子微电网运行状态均能实现准确有效地分类,为微电网群快速判断网内状态并灵活调整控制策略提供依据。