基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

基于粒子群-支持向量机算法的激光诱导击穿光谱钢铁快速检测与分类

钢铁是国民经济中的支柱性产业,由于受生产技术的限制,我国钢铁产品主要集中为质量参差不齐的中低端产品,废品率较高,易造成资源浪费和环境污染。因此,钢铁产品的快速检测与鉴别分类,对保护环境以及提高钢铁资源的回收利用率有着重要意义。利用激光诱导击穿光谱技术(LIBS)进行10种钢铁样品光谱数据的快速采集,并采用支持向量机(SVM)算法对其数据进行学习建模,得到钢铁快速分类模型。然而,由于不同钢铁样品的光谱数据特征是复杂且相似的,导致设置的模型参数也会对SVM模型的分类结果有着较大的影响。为了实现对不同牌号钢铁合金的快速检测分类,实验中采用粒子群算法(PSO)与网格寻优法两种不同方法来优化模型参数,并分别选取样品中6种微量元素(Mn、Cr、Cu、V、Mo、Ti)的17条特征谱线,和经主成分分析法(PCA)对全谱数据降维提取得到的前17个主成分作为模型的输入,建立PSO-SVM、PSO-PCA-SVM、PCA-SVM和SVM四种分类模型。实验结果表明,相比于精度最高的PCA-SVM模型的优化时间(257.84 s),PSO-SVM模型优化时间最短(11.5 s),且识别精度可达96.67%,与PCA-SVM模型的精度(97.5%)几乎相当。该结果表明LIBS结合PSO-SVM算法可实现快速的钢铁检测与分类,该方法为钢铁产品的快速检测与分类提供了一种新的解决途径。

基于粒子群优化支持向量机的纱线质量预测

针对复杂纺纱过程中成纱质量预测精度不足以及深度学习对庞大数据集依赖性的缺陷,提出一种基于粒子群算法优化支持向量机的小样本成纱质量预测方法。首先,对原始数据集样本序列进行灰色关联预处理,按照关联度大小进行排序,再结合先验知识库筛选出主要的原棉纤维指标;其次,针对小样本预测问题,建立了线性核、多项式核、高斯核以及自适应带宽RBF核等不同核函数支持向量回归(SVR)预测模型;最后,采用粒子群优化(PSO)算法对高斯核SVR模型的超参数(正则化系数和带宽调节参数)进行辨识,设计一种综合适应度函数与线性递减惯性权重策略,用以提高PSO算法的寻优能力。仿真结果表明:PSO优化高斯核SVR模型对不同成纱质量指标有较好的预测效果,其平均相对误差不超过2%。认为:PSO优化高斯核SVR模型对成纱质量指标的预测误差较低,具有良好的适应性。

改进粒子群算法优化支持向量机的螺旋CT电气故障诊断研究

文章研究改进粒子群算法优化支持向量机螺旋CT电气故障诊断方法,提高螺旋CT电气故障诊断精度与诊断效率,以满足实际螺旋CT电气故障诊断工作需要。采用最小支持向量机通过非线性函数变换,将多输入单输出的螺旋CT电气故障诊断最优解的求解转换为高维空间最优分类面的求解,实现螺旋CT电气故障诊断;采用改进粒子群算法与交叉验证原理优化最小二乘支持向量机的核函数,提高最小二乘支持向量机算法泛化能力,避免核函数状态影响螺旋CT电气故障诊断精度。实验结果表明:该方法的螺旋CT电气故障诊断结果与实际故障类型几乎一致,核函数优化后螺旋CT电气故障诊断分类准确率高达90%,可提升螺旋CT电气故障诊断的效率。

群智能算法在月径流预测支持向量机建模中的适应性研究

变化环境下,径流的精准预测愈加困难,集成稳健的优化算法是近年来机器学习发展的动力,也是提高径流预测精度的有效途径。为规避支持向量机(SVM)建模时适应度函数选取的不足,提出基于群智能算法的SVM参数优化范式,并以新疆克孜尔水库月平均径流量预测为例,对粒子群算法(PSO)、差分算法(DE)、灰狼算法(GWO)、鲸鱼算法(WOA)和麻雀算法(SSA)5个典型算法进行仿真验证。结果表明,PSO建立SVM模型合格率(QR)小于60%,预测精度不达标,其余4类算法的平均绝对相对误差和纳什系数分别介于10%~20%和0.75~1之间,预测效果良好;20次独立运算结果中,PSO、WOA、SSA和DE存在预测结果较差的情况,其中PSO的稳定性最差。综合而言,GWO优化的SVM(SVMGWO)在月径流预测中精度、稳定性和可靠性更佳。

基于粒子群优化支持向量机的癫痫发作预测

为实现癫痫发作自动预测,采用一种基于粒子群(PSO)与支持向量机(SVM)方法相结合的癫痫发作预测模型。首先利用小波包变换提取小波包系数相对能量特征,接着将训练样本输入到支持向量机中,经过粒子群算法寻找最优参数从而实现对测试样本进行分类识别,最后论文提出一种阈值决策方法对支持向量机输出结果进行后处理。对CHB-MIT癫痫数据库中5名癫痫病人进行研究,通过与随机参数法、网格搜索方法对比分析,发现使用粒子群优化支持向量机提高了发作前期识别准确率,减少了误警率,从而取得更好的预测效果,证明了该方法的可行性,对癫痫预测研究具有一定的应用价值。

基于粒子群优化最小二乘支持向量机的交通事故预测方法

为解决交通事故预测中非线性样本影响预测精度的问题,本文构建了基于粒子群算法(PSO)优化的最小二乘支持向量机(LSSVM)的交通事故预测方法.在构建交通事故数LSSVM预测模型的基础上,采用PSO算法优化LSSVM的惩罚系数和核函数宽度;设计了基于粒子群优化最小二乘支持向量机的交通事故预测模型;最后以我国连续48个月的道路交通事故数据建立模型,验证了该预测方法的有效性.实验结果表明:PSO优化LSSVM的交通事故模型比使用经验参数的LSSVM预测模型的预测效果更好.是准确预测交通事故的方法.

基于支持向量机和改进粒子群算法的钢管混凝土拱桥可靠度分析

针对大跨度钢管混凝土拱桥结构可靠度分析过程中功能函数难以显式表达的问题,首先阐述了支持向量机的基本原理,并将其引入到结构可靠度分析中,建立了基于支持向量机的可靠度分析模型,然后利用改进粒子群算法对某钢管混凝土拱桥的吊杆可靠度与拱肋可靠度分别进行了求解,并对其灵敏度进行了分析,研究表明:端部短吊杆的可靠度指标相较于其它吊杆更大,并且越靠近跨中,吊杆的可靠度指标整体越小;随机变量灵敏度对吊杆可靠度指标影响最大的为吊杆弹性模量,其次为吊杆截面面积,钢管弹性模量、混凝土弹性模量、立柱截面面积与主梁截面面积对其影响较小;在拱肋可靠度评估中,拱脚截面的可靠度最小,拱肋1/8截面处的可靠度指标最大,随机变量灵敏度对拱肋可靠度指标影响最大的为拱肋截面面积,其次为钢管弹性模量,立柱截面面积、汽车荷载与主拱抗弯惯性矩等对其均有不同程度的影响。

基于粒子群算法优化支持向量机的视频火焰检测

为提高火焰检测精度,该文提出了一种基于粒子群算法优化支持向量机的视频火焰检测方法。利用背景减除法对视频图像进行处理,得到原始图像的二值化图,通过提取二值化图的图像特征确定火焰检测模型的支持向量。采用PSO算法优化SVM的惩罚系数和核系数,建立了基于PSO-SVM的视频火焰检测模型,仿真分析结果表明,该文所提出的火焰检测方法的检测精度和检测时间分别为97.31%和31.94s,检测结果明显优于SVM和GA-BP算法,验证了该文所提方法的正确性和实用性。

基于支持向量机及粒子群算法的空调负荷预测方法研究及应用

以空调负荷的预测方法为研究对象,通过预测建筑物的空调负荷,及时有效地调控系统,达到降低建筑能耗的目的。基于最小二乘支持向量机(LS-SVM)提出预测方法,并采用粒子群算法(PSO)实现优化计算,围绕济南及成都地区不同类型建筑物的空调负荷进行预测,确定影响空调负荷的各个因素并在计算过程中不断调整以简化预测过程。采用Matlab语言进行编程计算和分析,通过不断调整输入因素及部分PSO参数以降低预测误差。基于支持向量机及粒子群算法的空调负荷预测模型性能较好,预测精度高。研究结果可为暖通空调系统的负荷预测提供参考,揭示空调负荷的变化特点以实现节能调控的目的。

基于扩展记忆粒子群优化支持向量机的汽轮机故障诊断

为了提高汽轮机故障诊断正确率,提出了一种基于EMPSO-SVM的汽轮机故障诊断方法。采用扩展记忆系数对PSO算法进行改进,以提高PSO算法的优化性能,采用扩展记忆粒子群算法对支持向量机进行优化,建立了基于EMPSO-SVM的汽轮机故障诊断模型。采用实际算例进行仿真分析,结果表明,EMPSO-SVM模型诊断结果的正确率高达95%,相比PSO-SVM模型正确率提高了7.5%,验证了模型的正确性和实用性。

面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势,在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线,通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应,以及荧光谱特征峰存在叠加干扰,未经优化的校准曲线的线性度较差,这给反演计算来困难。为了解决上述问题,分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线,提高校准曲线的决定系数(R2);运用竞争性自适应重加权算法(CARS),针对不同目标元素优化变量选取;进一步地,基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型,并通过该模型反演计算各元素含量,提高定量分析的准确度和预测的泛化能力。实验结果显示,经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R2)有明显提升,Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0.979、0.987、0.981、0.828、0.953;通过CARS选取的谱线变量的个数大幅度减少,从2 048个通道降低到30个以下,为原来变量个数的1.5%,提高了变量选择的精准性;与偏最小二乘法(PLS)、未优化的SVR模型进行对比,采用CARS变量选择和PSO优化的SVR模型进行含量预测,训练集RC2与测试集RP2的决定系数分别在0.99、0.90以上,预测准确性有明显提高。因此,所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测,提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明:动态惯性权重对支持向量机核函数参数的寻优速度更快,收敛精度更高,采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高,预测效果良好,可较为准确的实现深基坑的变形预测。

基于改进粒子群算法和支持向量机的变压器故障诊断

为了克服DGA数据边界模糊和支持向量机(Support Vector Machine, SVM)参数难以选择的缺点,提出了一种基于核主成分分析(Kernel Principal Component Analysis, KPCA)和改进的粒子群算法(Particle Swarm Optimization, PSO)优化支持向量机的电力变压器故障诊断方法。首先,核主成分分析是用来提取特征的DGA特征量。此外,进一步提出了利用MPSO对SVM参数进行优化,建立基于SVM的最优诊断模型。在粒子群优化算法(PSO)中加入干扰因素,干扰这种“早熟”粒子的位置,从而摆脱局部最优。为了测试MPSO的优化性能,使用了两个测试函数。结果表明,MPSO比PSO有更好的优化性能。最后,基于MPSO-SVM和SVM,并使用3倍交叉无效法,对DGA数据进行了故障诊断。诊断结果表明,MPSO-SVM的诊断性能最高。为解决故障诊断领域的实际工程问题提供了一种研究思路。

基于粒子群优化-支持向量机的心律失常诊断方法研究

心律失常对于人的生命威胁往往迅速且致命。利用心电图的心拍分类可以发现心律失常。因此,近年来针对心电图的心拍分类研究越来越多。以MIT-BIH心律失常数据库作为研究对象,首先,在对心电信号滤波的基础上,结合小波变换的模极值与形态学峰谷检测算法确定QRS波峰谷点及其它相关特征点;然后,设计了16个反映心电信号(electrocardiogram, ECG)的间期特征和幅值特征;最后,基于粒子群算法(particle swarm optimization, PSO)优化的支持向量机(support vector machine, SVM)分类器对心拍分类诊断,并与决策树(classification and regression tree, CART)算法、遗传算法(genetic algorithm, GA)优化后的SVM分类器进行对比,得出结论:PSO-SVM算法对于心律失常的分类效果明显优于CART算法,略优于GA-SVM算法。方法不依赖于带标注的高质量心律失常数据库,所选特征符合医生诊断规则,具有一定的可解释性。

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。

基于粒子群优化最小二乘支持向量机的城市货运生成预测模型——以合肥都市圈为例

城市货运量预测是一个复杂的非线性过程。该文提出一种基于粒子群(PSO)优化最小二乘支持向量机(LSSVM)的城市货运生成预测模型。首先选取社会经济、工业、地理特征作为货运量主要影响因素;其次利用PSO算法优化LSSVM特征参数,提高LSSVM准确率;最后以合肥都市圈2014—2020年数据为例,验证该方法的有效性。LSSVM预测平均相对误差为26%,PSO算法优化LSSVM预测平均相对误差为12%。实验结果表明,基于PSO算法优化LSSVM的城市货运生成预测模型具有较高预测精度,能够有效揭示货运量与相关变量间的非线性映射关系。

基于改进最小二乘支持向量机组合模型的深基坑沉降变形预测

为了提高深基坑沉降变形预测精度,及时为深基坑支护施工提供指导,提出一种改进最小二乘支持向量机组合模型;通过引入自适应噪声完备集合经验模态分解方法分解原始深基坑沉降变形数据,并结合粒子群优化算法和遗传算法对最小二乘支持向量机进行参数寻优,对分解的数据分别训练、预测后再叠加,得到最终预测结果;应用所提出模型对济南市某深基坑的累积沉降量进行预测,同时与其他模型对比,验证所提出模型的实用性和优越性。结果表明:所提出模型预测深基坑累积沉降量的平均相对误差为0.035%,均方误差为0.0809 mm^(2),均方根误差为0.2838 mm,所提出模型的准确性远优于其他模型的;自适应噪声完备集合经验模态分解方法的引入更有利于在深基坑沉降变形预测方面发挥最小二乘支持向量机的优势。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。