基于天牛须优化算法的相关向量机边坡稳定性分析

为了快速、准确地预测边坡稳定性,及时控制边坡危害,提出了一种基于天牛须(beetle antennae search,BAS)优化算法的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。基于RVM模型,建立了边坡影响因素与稳定性的非线性映射关系;采用BAS算法对RVM模型参数进行优化,提出了基于BAS算法的RVM边坡稳定性分析优化模型;并将该模型应用于京新高速公路的边坡稳定性分析。分析结果表明:与实际值相比,基于BAS-RVM模型的最大绝对值相对误差为3.90%;在相同学习样本下,与RVM模型、支持向量机(support vector machine,SVM)模型和径向基函数(radical basis function,RBF)模型的预测值相比,BAS-RVM模型预测结果的可信度和拟合度更好、精度更高,其平均绝对值误差(mean absolute error,EMA)、均方根误差(root mean square error,ERMS)、相对均方误差(relative root mean square error,ERRMS)远低于其他3种模型。

基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明:所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。

基于相关向量机-层次分析模型的路堑边坡治理效果评价研究——以绥大高速K26+800~K27+320段为例

为探究路堑边坡整体治理效果,通过现场实际监测获得了关于边坡土体变形情况、孔隙水压力变化情况、水位变化情况等数据,利用相关向量机(relevance vector machine,RVM)对各监测指标监测期后的变化趋势进行了预测,之后利用层次分析法(analytie hierarchy process,AHP)对各指标进行了权重赋值,形成一套基于RVM-AHP模型的路堑边坡治理效果评价模型并以绥大高速K26+800-K27+320处的路堑边坡验证了模型的可行性。结果表明,利用RVM-AHP模型所得评价结论与现场情况一致,边坡治理效果为“较优”,评价模型可靠性得到了验证。

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明:与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO)-BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。

基于模糊相关向量机的UUV中缓变故障检测方法

作为海洋探索的重要运载平台之一,水下无人航行器(unmanned undersea vehicle,UUV)中导航系统多数时间以惯性/多普勒计程仪组合方式工作,但仍需要接收GNSS信号以修正累积的导航误差。由于受到无线电信号及卫星信号质量的影响,GNSS信息会存在缓变误差,从而降低UUV的导航精度。针对此问题,论文设计一种基于模糊相关向量机(fuzzy relevance vector machine,FRVM)的状态估计器对新息进行预测,克服了传统方法存在较大检测延时的问题。该方法利用模糊隶属度来模糊化样本,避免过度拟合影响模型的泛化能力。与基于自主完好性监测外推法及最小二乘支持向量机(least squares support vector machine,LS-SVM)的故障检测方法相比,该方法能够更精确地描述新息与量测信息之间的相关性。试验结果表明,针对GNSS的缓变故障,该方法能够显著降低了故障检测的延时,从而提高UUV的导航性能。

变分Bayesian推理的鲁棒稀疏相关向量机

相关向量机(relevance vector machine,RVM)是一种基于稀疏贝叶斯原理的分类和回归建模方法,具有泛化能力强、有效刻画数据不确定性以及参数设置简单等优点。然而,RVM假定权重矩阵和数据噪声均服从高斯分布,降低了RVM的鲁棒性和泛化性能。为此,提出一种变分Bayesian推理的鲁棒稀疏相关向量机建模方法,继承了RVM的优点,同时具有更好的鲁棒性和泛化性。该方法新颖之处在于:通过对权重矩阵分布施加Laplace分布以保证权重矩阵的稀疏性;通过对建模噪声施加学生分布约束以及自适应调节学生分布的自由度参数,较好地描述数据的不确定性,增强所提方法对复杂数据建模能力;引入变分Bayesian推理方法求取最优RVM模型参数和超参数。仿真结果证明所提算法具有良好的鲁棒性和稀疏性,优于现有的变形RVM算法。

基于改进相关向量机的模拟电路故障预测

针对模拟电路实际使用过程中的可靠性问题,提出一种基于改进相关向量机的模拟电路故障预测方法。在提取被测电路的故障特征参数之后,将传统相关向量机中单个核函数改进为多个不同核函数组合形成混合核函数,提高算法的泛化性能。利用量子方法改进人工蜂群算法提升其优化效果以对各个核函数的权重因子寻优,从而提高算法的预测精度。将离散灰色模型与多核相关向量机相结合,提升算法的长期趋势预测性能。仿真结果表明,该方法的绝对误差、相对误差和测试误差均小于传统的相关向量机预测方法。

基于智能优化相关向量机的综合传动变工况直驶传递效率预测

传递效率是表征履带车辆综合传动装置性能的重要指标之一,但综合传动装置内部复杂的动力传递路径和外部工作环境导致其传递效率预测模型建模困难,无法保证传递效率的准确计算。基于上述分析,提出一种基于综合传动装置直驶模式下多种工况传递效率数据驱动的传递效率预测方法。对75台综合传动装置不同工况下的传递效率数据进行统计分析并得到统计特征;通过统计特征选择智能优化相关向量机进行传递效率预测建模,进而实现待测综合传动装置在变工况直驶模式下的传递效率预测。结果表明,变工况下测试样本传递效率预测结果的平均绝对误差和均方根误差分别控制在0.01和0.02以内,验证了该方法的可行性和正确性。

相关向量机结合主成分分析应用于LIBS技术定量分析

采用相关向量机(RVM)结合主成分分析(PCA)建立了激光诱导击穿光谱(LIBS)技术检测土壤中Cr元素含量的定量分析模型。配制了14个不同Cr元素浓度的土壤样品,选取其中10个作为训练样品集用于构建模型,另外4个作为测试样品集用于模型性能评估。结果表明,对于土壤中Cr元素含量的测量,PCA-RVM模型的预测精度明显优于RVM模型,整体预测均方根误差由RVM模型的8.00%减小到PCA-RVM模型的3.21%,预测精度提高了59.9%。对测试样品集中全部4个待测样品,PCA-RVM模型多次重复预测结果的相对标准偏差相较于RVM模型都显著减小,且均小于1.89%,表明其预测结果具有更好的稳定性。

基于广义鲁棒距离度量的孪生支持向量机分类算法

针对孪生支持向量机处理含离群点效果较差的问题,提出一种基于Laplacian核相关熵的广义鲁棒距离度量分类算法。提出一种有界自适应L_(θε)损失,在学习过程中可以通过自适应参数θ来选择不同的损失函数;提出一种基于拉普拉斯核的相关熵诱导鲁棒距离度量,并证明该度量的有界性、非凸性、光滑性和逼近性;进一步提出一种自适应鲁棒孪生支持向量机学习算法。在多个数据集上的实验结果表明,该算法对特征噪声和离群点具有良好的鲁棒性。

相关向量机预测锂离子电池剩余有效寿命

随着新能源汽车的迅速发展,锂离子电池已得到广泛应用。准确预测锂离子电池剩余有效寿命(RUL)对于合理规划电池使用至关重要。目前,机器算法和模型预测已广泛应用于电池剩余有效寿命的预测中。本文基于数据驱动的方法进行锂离子电池剩余有效寿命预测,通过使用相关向量机(RVM)将长期预测分为多段短期预测,并结合自相关函数、灰色关联度模型、卡尔曼滤波器(KF)进行模型优化与改进,改进后的RVM模型在三组目标电池RUL预测中的相对误差分别为5.46%、7.14%和6.29%,与其他几种预测模型的对比结果表明该模型优于其他模型。

基于多核相关向量机优化模型的锂离子电池容量在线估算

准确的锂离子电池容量在线估算是电池管理系统的核心功能之一。基于放电过程的电池容量估算易受运行工况的复杂外界因素影响,该文基于部分充电数据的容量增量曲线,提取表征电池容量退化的两个老化特征,建立以老化特征为输入量、电池容量为输出量的多核相关向量机优化模型。以灰狼优化算法确定多核相关向量机的核函数权值和核参数,结合在线提取的老化特征估计电池容量。利用Matlab和LabVIEW联合仿真,建立基于多核相关向量机优化模型的电池管理系统。通过马里兰大学单体电池老化数据集和大连理工大学电池组老化数据集进行模型验证。结果表明,该文提出的电池容量在线估算方法对单体电池和电池组容量估计误差均在2.3%以内。

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。

基于相关向量机的网络舆情反转预测研究

根据前人研究成果对网络舆情影响因素进行分析,构建出基于相关向量机的网络舆情反转预测模型。通过对46个舆情事件的训练和预测,发现相关向量机的预测精度和预测时间均优于支持向量机。由此可知,相关向量机具有良好的应用前景,对于及时发现反转舆情,规避舆情反转风险具有现实意义。

基于时差-即时学习的相关向量机软测量建模研究

针对污水处理厂的过程数据时变性较大、非线性较强,传统的离线模型难以应对实际处理过程中的工况变化等问题,提出一种基于时差-即时学习的相关向量机(RVM)模型TD-JIT-RVM。通过时间差分(TD)建模提取过程变量之间的关联关系,采用即时学习(JIT)解决时滞引起的模型退化问题。利用TD-JIT-RVM模型对仿真数据集和真实的工业数据集进行分析,结果表明,该模型在两个数据集中比RVM基础模型的RMSE分别提高了94.59%和82.26%。

基于支持向量机上海地区土体物理力学指标相关性研究

针对上海地区土体物理力学指标开展相关性分析,结合多个工程场地获取的土体室内试验数据,采用支持向量机算法构建了土体塑性指数、液性指数与压缩系数的相关性分析模型,并结合误差指标对模型参数进行优化。将支持向量机模型与传统的线性、多项式拟合方法结果对比分析,表明该模型预测结果与实际结果较为吻合,且该模型另一优势在于能够从更多的数据中进行更深度的挖掘来提升自身的鲁棒性。考虑到不同土体的工程性质差异较大,进一步研究该模型的预测性能与适用性,就每个测试样本点预测偏差与其物理指标建立二者的关系曲线,结果表明可塑性小的中压缩性土体相较于高压缩性土体的预测偏差更小,模型更加稳定与准确,可为上海地区土体压缩性相关研究提供参考。

基于多储备池相关向量回声状态机和误差补偿的短期负荷预测研究

针对相关向量机核函数存在计算复杂度高、无法体现数据全部特点的问题,提出一种基于多储备池相关向量回声状态机和误差补偿的模型。多储备池具有稀疏性强、内部状态稳定的特点,采用多储备池加权组合代替核函数对数据进行高维映射,并通过稀疏贝叶斯理论求解模型参数。综合考虑多储备池初始化与训练过程的随机性,提取训练产生的误差并结合多种影响因素构建误差补偿环节,对预测结果进行修正。根据某地电网实际负荷数据进行仿真验证,结果表明该模型具有良好的精度与稳定性。

基于相关向量机的石英加速度计温度误差补偿方法

加速度计测量误差决定了惯导系统中位置、姿态、速度等导航信息精度。针对环境温度变化对加速度计测量精度的影响展开讨论,分析了工作温度与测量误差间的关系;提出一种基于相关向量机(Relevance vector machine, RVM)的加速度计温度误差建模及补偿方法,能够实现温补模型参数的准确与快速解算。结果表明,补偿后的加速度计在10℃~50℃的温度范围内测量误差减小了50%以上,提高了其对环境温度变化的适应能力。

基于Bagging-组合核函数相关向量机的短期负荷预测模型研究

为充分发挥组合核函数在相关向量机预测模型中的优势,有效提高负荷预测的精度,提出基于Bagging-组合核函数相关向量机的短期负荷预测模型。首先构造了高斯核函数与Morlet小波核函数加权组合的组合核函数相关向量机的预测模型,然后采用粒子群算法对两个核函数的最优权值进行优选。为提高模型的泛化能力,采用Bagging算法对原始数据多次抽样构造训练样本集。通过实际算例仿真,与多种相关向量机预测模型对比分析,验证了该模型具有较好的预测精度。

基于组合核函数相关向量机的高光谱图像分类

本文提出了一种基于组合核函数相关向量机的高光谱图像分类方法。基于核函数的特性构造出三种形式的组合核函数。使用多尺度数学形态学方法从主成分变换后的图像上提取空间特征,通过组合核函数融合图像的光谱特征与空间特征,采用组合核函数相关向量机进行分类。使用AVIRIS高光谱图像对算法进行了验证。实验结果表明,与传统的基于光谱特征的相关向量机分类器相比,组合核函数相关向量机方法的总体精度和Kappa系数均有明显提升。同时,组合核函数相关向量机能够用较少的训练样本获得较高的分类精度,在高光谱图像分类中具有实用价值。