基于粒子群-最小二乘支持向量机算法的沥青拌和站中含氧量的软测量

为了及时诊断热再生沥青搅拌站的燃烧、干燥状态,干燥滚筒的烟气含氧量检测具有重要的意义.首先通过沥青搅拌站组成和燃烧原理分析了影响烟气含氧量的相关过程参数,然后基于粒子群-最小二乘支持向量机算法(PSO-LSSVM)构建了干燥滚筒烟气含氧量软测量模型,通过4种不同的工况进行对比实验研究,实验结果表明:干燥滚筒烟气PSO-LSSVM含氧量软测量结果和氧传感器实测结果基本一致,最大测量误差为0.8%,能满足燃烧器的反馈控制要求.烟气含氧量的软测量为热再生沥青拌和站智能燃烧器的开发奠定基础.

紫外-可见吸收光谱结合化学计量学算法的水体总有机碳浓度快速检测

总有机碳(TOC)指悬浮或溶解于水中有机物的含碳总量,是以单位体积水体中含碳的质量来表示水中有机物的浓度,通过总有机碳可以更全面反映水中有机污染物的总量。总有机碳的监测能够推动我国实现“碳达峰”和“碳中和”的目标,也对我国海洋地球碳循环的研究具有重要的意义。目前,国标法测量水质TOC主要采用高温催化氧化法和湿法氧化法,这两种方法虽测量准确、可解释性强,但都具有测试方法复杂、测量时间长、易产生二次污染、人力物力消耗巨大等缺点,且仅能在实验室内完成,无法进行TOC的原位在线测量。因此发展水质TOC快速、实时、在线监测技术具有重要意义。为此,建立了TOC标准溶液浓度基于紫外吸收光谱的单波长检测模型,针对物质种类更为复杂的真实水样分别使用ACO-PLS和SPA算法筛选特征波长,对比S-G平滑处理、最小最大归一化、标准正态变换(SNV)、消除常数偏移量、导数校正等多种光谱预处理方法的效果,经过粒子群算法优化的最小二乘支持向量机算法(PSO-LSSVM)建立快速检测模型。结果表明,选取不同数量特征波长,经SNV算法预处理后的建模效果普遍优于其他预处理方法;选用不同预处理算法,最佳特征波长数量普遍为50个,过多或过少的波长数量会使建模精度降低;最佳建模参数为选用SNV预处理方法,经ACO-PLS算法筛选50个特征波长组合并利用PSO-LSSVM算法建模,最优模型结果训练集Rc达到0.984 3, RMSEC为0.457 4,验证集Rp为0.974 5, RMSEP为0.481 1。将最优光谱检测模型应用于新采集水样,预测结果较为准确,具有一定鲁棒性。表明ACO-PLS算法可以有效选取特征波长,结合PSO-LSSVM算法可以实现利用紫外-可见吸收光谱对水体中TOC的测量,为水体TOC含量快速检测提供一种快速、无污染的测量方案,给相应传感器的研发提供了科学支持。

基于PSO-SVM的城市桥梁群体震害预测模型研究

本文根据城市桥梁群体的实际震害资料数据,采用粒子群算法(PSO)来优化支持向量机(SVM)参数,选择影响桥梁震害等级的8个因素作为特征输入向量,充分用2种算法的优点建立PSO-SVM的桥梁震害预测模型。通过比较PSO-SVM和SVM模型对桥梁震害的预测能力,发现PSO-SVM模型具有较高预测精度和较高的推广价值。本文的研究成果对桥梁震害等级的预测具有一定的参考价值和指导意义。

不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机(PSO-LSSVM)校正模型,预测M107B区的23个验证集样品的决定系数R^(2)=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R^(2)=0.562,预测RPD=0.952,模型的预测R^(2)和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R^(2)>0.80,预测RPD>2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R^(2)从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。

结合复小波域去噪和PSO-TSVM的群体异常行为检测

为了提高群体异常行为检测准确率,减少异常检测中噪声带来的影响,给出一种结合复小波域去噪和粒子群优化孪生支持向量机(PSO-TSVM)的群体异常行为检测算法。通过Horn-Schunck光流法提取视频中群体行为的速度、加速度、方向特征和人群密度特征;利用非抽样对偶树复小波包变换和双变量模型对抽取的群体行为特征进行噪声去除;使用去噪后的群体行为特征训练和测试经粒子群算法优化的孪生支持向量机模型,实现视频中的群体异常行为检测。在UMN视频数据集和自建数据集上的实验结果表明:相较于社会力模型和粒子熵模型等方法,所提算法具有更高的检测准确率。

基于PSO-SVM方法的电源线传导泄漏信号识别与还原

针对显示器电源线传导泄漏信号中红信号识别的难题,该文提出基于粒子群(PSO)算法优化支持向量机(SVM)的识别方法。首先对传导泄漏信号进行滤波预处理并分段,然后利用粒子群-支持向量机(PSO-SVM)对传导泄漏信号进行训练、分类并与SVM分类性能进行对比,最后应用PSO-SVM实现了显示图像的还原。结果表明此算法可以准确实现电源线传导泄漏信号中红信号的识别,且识别率明显高于SVM分类器。

改进PSO-SVM的光纤传感网络数据识别系统

为了增强光纤传感网络对相近扰动信号的识别能力,提高目标分类精度,提出了一种改进的粒子群优化-支持向量机(PSO-SVM)算法。该算法在分析回波信号谱形特征的基础上,设计了三个用于描述信号特征的判断指标。将主波信号能量、主波脉宽及波形变化率作为数据预处理的特征参量,改进了传统的数据分类模型。实验模拟了实际应用中的三种典型干扰形式,以机械、人工以及坠落物对测试区域地面进行冲击测试,并对比了不同距离和不同强度情况下的响应效果。结果显示,6种不同情况对应的谱形特征有3种,相同作用机制的谱形相似度很高。特征参量的响应值随着测试距离的增大而减小,随着冲击强度的增大而增强。对相同测试数据进行扰动信号分析,传统SVM算法平均识别概率为69.3%,而该算法平均识别概率为90.1%。可见,该算法在提高光纤传感网络扰动信号分类能力方面具有一定的优势。

基于紫外/三维荧光的海水总有机碳浓度测量

目前,测量海水总有机碳(TOC)数值的国标法主要采用高温催化燃烧氧化法和湿法氧化法,而且两种方法还停留在实验室分析阶段,存在测量过程繁琐、造成二次污染、人力物力消耗大等不足。因此,提出一种基于紫外/三维荧光的海水TOC检测方法,利用粒子群优化-最小二乘支持向量机算法进行了荧光光谱数据处理。实验结果表明采用255、265、275 nm波长的紫外LED作为光源能够激发出效果较好的三维荧光光谱。此外,还详细分析了TOC测量数据的建模过程。所建数学模型的校正集决定系数为0.997 7,检验集决定系数为0.977 7,建立的定量数学模型效果较好,可以通过得到的三维荧光光谱数据准确的检测样品中TOC浓度数值。因此,荧光光谱检测技术是分析水体中低浓度TOC的有效方法,可以满足海洋水质环境监测的要求。

基于数据模型协作的海上钻井溢流早期预测预警

为防止海上钻井过程中井喷事故的发生,提出基于数据模型协作的海上钻井溢流早期预测预警方法。首先,建立基于粒子群优化(PSO)-最小二乘支持向量机(LSSVM)(PSO-LSSVM)的溢流风险预测模型,预测钻井监测参数未来时长内的趋势,并分析溢流事件与表征参数之间的关联关系;然后,建立基于朴素贝叶斯方法的钻井单参数溢流概率估算模型,并通过优化的D-S方法融合多个钻井参数的概率,分级预警溢流事件。结果表明:基于PSO-LSSVM的预测模型所得的溢流表征参数,预测误差较低;因对溢流事件的敏感度不同,单钻井参数所表征的溢流事件概率存在一定偏差;融合后的预警模型能够解决单参数的预警时间不一致的问题,排除误报警的可能。

基于VMD的长江航运干散货运价指数预测

我国长江航运干散货运价指数(YBFI)呈现非线性、非平稳性等波动特征,传统的单一预测模型和组合预测法难以获得较好的预测效果。为此,基于“分解-重构-预测-集成”的思想,提出一种基于变分模态分解(VMD)的YBFI组合预测模型构建方法。选用变分模态分解(VMD)将原始运价指数序列分解为多个模态分量,并通过聚类分析将分量重构为高频、中频、低频和趋势项,对重构后的序列波动特点进行解释。选用BPNN对高频项和低频项进行预测,采用PSO-SVM方法对中频项和趋势项进行预测,最后将重构项预测结果相加集成得到最终预测值。实证结果表明,构建的基于VMD的组合预测模型比SVM、BPNN、ARIMA、PLS等单一预测模型,以及未优化的VMD组合模型、VMD-BP等组合模型具有更好的预测效果。

基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GABP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。

基于CNN和PSO-SVM组合模型的列控车载设备故障诊断

快速准确地定位列控车载设备故障是保证列车可靠运行的重要因素。本文以车载设备故障追踪表中的文本数据为样本,设计基于卷积神经网络(CNN)与粒子群优化-支持向量机(PSO-SVM)相结合的车载设备故障诊断模型。基于故障文本数据具有高维度、高稀疏的特点,利用卷积神经网络对其实现特征提取。为了降低故障样本数据类别不平衡对分类精度的影响,采用粒子群优化的支持向量机算法对不均衡文本数据进行处理。用PSO-SVM替代CNN全连接分类部分,并对所提取特征进行精确分类,实现车载设备故障智能诊断。依据某铁路局所记录的车载设备故障文本数据进行实验分析并与其它方法对比,实验结果表明,该模型可使各评价指标得到明显提升,可以作为车载设备故障诊断的有效模型。

苏里格地区三水模型与数学方法结合的致密砂岩储层评价

应用三水模型评价苏里格地区致密砂岩储层时,在孔隙度较高的层段,孔隙度和含水饱和度预测结果与岩心数据符合度很好;在孔隙度较低的层段,孔隙度预测结果符合度较好,但含水饱和度预测结果存在很大偏差。造成这一现象的原因是孔隙度较低的层段岩性更加致密,孔隙结构更加复杂,三水模型中的参数难以赋值。为此,提出三水模型与数学方法结合的致密砂岩储层评价方法,通过全区密闭取心资料分析确定三水模型处理下限,在下限之下的层段结合广义回归神经网络(GRNN)和粒子群-支持向量机(PSO-SVM)算法得到处理结果。三水模型结合数学方法在苏里格地区综合处理的结果与该区岩心数据符合度较好,说明方法是可行的。

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明:波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95%以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。

交流接触器触头系统运动分析及故障诊断研究

为了解决现有交流接触器触头系统故障诊断技术存在的运行状态识别率较低的问题,该文以改进多尺度排列熵(MMPE)与能量矩为特征向量,提出一种基于粒子群优化(PSO)算法最小二乘支持向量机(LSSVM)的交流接触器触头系统运动分析及故障诊断方法,能够有效提高运行状态识别率。经实测数据验证表明,所提方法可以完成交流接触器运行状态的有效识别,能够更有效地完成交流接触器故障定性诊断,并可以有针对性地对设备进行检修和维护。

基于三维荧光的产麻痹性贝毒藻浓度监测研究

近年来,我国沿海赤潮发生的次数和面积持续增加,经济损失严重。根据赤潮的毒性特点,通常分为三类,分别为无毒赤潮、鱼毒性赤潮和有毒赤潮。其中有毒赤潮产生的毒素主要是麻痹性贝毒,其由于分布广,毒性强成为危害最大的生物毒素之一。根据麻痹性贝毒的摄入量不同,人类误食染毒的贝类后,身体各部位会出现刺痛或灼热的感觉,然后全身麻痹,严重者甚至在短时间内死亡。近年来,多地出现人类误食染毒的贝类后死亡的事件。麻痹性贝毒的摄入量主要取决于产麻痹性贝毒藻的浓度,因此,对产麻痹性贝毒藻浓度的监测就显着尤为重要。提出了用三维荧光光谱结合化学计量学方法建立产麻痹性贝毒藻定量分析模型。首先,利用F-4600荧光光度计采集微小亚历山大藻(Alexandrium minimum)、链状裸甲藻(Gymnodinium catenatum)和太平洋亚历山大藻(Alexandrium pacificum)三种典型的产麻痹性贝毒藻类三维荧光光谱数据,获取藻类样本的三维荧光光谱等高线图,并进行图谱分析;然后,利用不同激发波长下的发射光谱数据建立产麻痹性贝毒藻三维荧光光谱的串行表示模型,提取新的特征;最后,将新的特征数据分别作为粒子群优化最小二乘支持向量机算法(particle swarm optimization-least squares support vector machine, PSO-LSSVM)和偏最小二乘回归(partial least squares regression, PLSR)的输入,建立产麻痹性贝毒藻的定量分析模型。结果表明,运用粒子群优化最小二乘支持向量机算法建立的产麻痹性贝毒藻的定量分析模型普遍优于偏最小二乘回归算法。当激发波长选择460和530 nm,发射波长选择650~750 nm作为PSO-LSSVM的输入数据,建立的产麻痹性贝毒藻的定量分析模型效果最好,结果显示Rc=0.999 9, RMSEC=0.017 1,Rp=0.949 2, RMSEP=0.291 0。这体现出三维荧光光谱结合PSO-LSSVM定量分析模型可有效地监测活体产麻痹性贝毒藻的浓度数值,为产麻痹性贝毒藻浓度检测提供了一种在线检测的新方法。

基于函数型特征数据的光伏短期功率预测方法

短期光伏发电功率预测对电网的安全、经济和稳定运行具有重要的意义。随着"互联网+"和"大数据时代"的到来,光伏电站收集的数据更加密集和连续,呈现出函数型特性。目前,光伏发电预测研究还局限于稀疏、离散的传统数据。针对具有函数型特征的min级数据对光伏电站短期功率进行预测。首先,通过傅里叶基函数变换将具有函数型特征的离散数据转化为函数型数据;利用函数主成分分析将数据降维,得到少量函数主成分特征向量,使用高斯混合模型—最大期望算法对特征向量聚类,结合天气信息验证聚类的效果;然后使用改进PSO-ELM算法分别对聚类得到的典型场景进行预测;最后,通过四川某地区实例验证了模型的有效性。

基于PSO-SVM的文本分类在保险精准营销中的应用

为了研究大数据分析和挖掘技术对精准营销的支持能力,本文借助文本挖掘算法对消费者的选择偏好和行为习惯进行分类研究,并尝试借助粒子群算法(PSO)对支持向量机(SVM)的参数做最优化处理,最终利用参数最优化的支持向量机(SVM)对互联网保险论坛用户的消费行为进行精准营销预测,为建立有针对性的营销策略提供了科学的量化依据,也验证了PSO-SVM在文本分类上的良好效果。

鄂尔多斯盆地侏罗系煤田导水裂隙带高度预测及顶板充水模式

确定顶板含水层充水模式是顶板水害科学防治及保水采煤的基础,而导水裂隙带高度预测是关键,提高预测精度是研究的难点。以鄂尔多斯盆地侏罗系煤田为研究区域,以33个实测导水裂隙带高度样本为依据,基于粒子群(PSO)-支持向量机回归(SVR)的研究方法,构建了区域导水裂隙带高度预测模型。选择拟合优度R2、均方根误差RMSE为误差分析指标,通过对比PSO-SVR导高模型预测值与经验公式预测值,定量评价了PSO-SVR导高模型的预测精度,利用该模型预测了3个矿的导水裂隙带高度。研究结果表明:PSO-SVR导高模型预测值比经验公式预测值拟合优度提高0.10,均方根误差降低41.93,预测值与实测值较接近,与经验公式相比,提高了导水裂隙带高度预测精度。最后统计分析了研究区典型水文地质结构特征,按煤层埋深及含(隔)水层结构,划分了研究区3种水文地质结构类型:浅埋薄基岩厚松散含水层结构、中埋深厚基岩含水层结构、深埋巨厚复合基岩含水层结构。依据导水裂隙带预测结果及顶板水文地质结构类型,建立了研究区3种顶板含水层充水模式:浅埋松散含水层充水、中埋深厚砂岩含水层充水、深埋巨厚砂砾岩含水层充水。研究成果对于鄂尔多斯盆地侏罗系煤田顶板水害防治及保水采煤具有重要的实用价值。

融合心电与表面肌电特征的下肢康复疲劳估计方法

疲劳估计在下肢康复训练过程中对提高意图识别精度、避免二次伤害有重要意义。现有方法多是仅利用表面肌电信号(sEMG)特征进行疲劳估计,未考虑加入蕴含疲劳状态信息的心电信号(ECG)特征,识别率较低且不稳定。针对此问题,提出了一种将ECG与sEMG特征融合用于下肢康复疲劳估计的方法,设计改进的粒子群优化-支持向量机分类器,对融合特征向量进行识别,实现对轻松、过渡和疲累三种不同疲劳状态的准确识别,最终三种状态识别率分别为98.5%、93.5%、95.5%。经实验证明,该方法的平均识别率与只依靠sEMG特征相比提高了4.50%,比未经特征融合的ECG、sEMG组合特征提高了13.66%,证明将ECG与sEMG进行特征融合可以实现下肢康复疲劳的准确检测。