基于优化支持向量机的非线性时变灌浆过程建模

通过利用灌浆过程中的监测数据建立灌浆过程的数学模型,解决机理模型或参数辨识模型不能很好地适应地层和裂隙变化的问题.首先以灌浆管道中流体为对象,依据压力平衡和质量守恒定律来定性分析参数的影响关系,提取孔口压力与注入流量作为反映灌浆过程变化的主要特征参量;然后描述支持向量机建模的基本原理,并研究模型参数优化求取方法,提出嵌套式优化算法求取支持向量,提高建模的速度;最后针对实际工程注入灌浆数据仿真建模.研究结果表明,此方法与实际工程数据吻合较好,本次建模统计出错率不超过为7%.

基于改进灰狼算法和支持向量机的拱桥索力优化模型

为实现复杂工程结构的高效率优化设计,以某大跨径钢管混凝土拱桥索力优化为例,提出一种基于混沌映射与非线性收敛改进的灰狼算法组合优化模型。使用改进灰狼算法对支持向量机的关键参数进行优化,得到训练样本下线形预测的最佳参数组合。建立索力优化问题的数学模型,采用改进灰狼算法得到期望线形下的最优索力组合。计算结果表明,经改进灰狼算法优化后的支持向量机对数据样本具有良好的学习泛化能力,可应用于索力优化等工程问题;预测模型与有限元软件线形结果的平均相对误差约为9%,组合优化模型在保证预测精度的同时大大减少了计算时间。

基于改进海鸥算法优化支持向量机的斜拉桥索力优化研究

针对大跨度斜拉桥斜拉索的索力优化问题,提出一种基于混合策略改进海鸥优化算法联合支持向量机的索力优化模型。融合折射反向学习、多方向螺旋攻击和非线性收敛等策略对标准海鸥优化算法进行改进,基于改进的海鸥优化算法(Improve Seagull optimization algorithm,ISOA)对支持向量机(Support vector machine,SVM)的惩罚因子和核函数参数进行优化,构建大跨度斜拉桥的索力组合-结构响应的预测模型,设计ISOA-SVM的索力优化流程并对考虑主梁线形控制下的斜拉索索力进行优化。结果表明,混合策略显著提高海鸥优化算法的收敛速度和收敛精度;采用ISOA参数优化后的SVM对数据样本具有良好的学习泛化能力,其测试集的平均相对误差(MRE)仅为1.08%,均方根误差(RMSE)仅为0.0122;基于ISOA-SVM优化的索力组合有效改善了主梁线形和内力,主梁竖向挠度峰值降幅为36%,弯曲应力峰值降幅为11.94%,验证了该索力优化方法的有效性。

基于贝叶斯优化的卷积神经网络结合机器学习分类器的滑坡易发性预测研究

现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。

非线性回归支持向量机的SMO算法改进

为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化(SMO,Sequential Minimal Optimization)算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,通过改进优化乘子更新方法、采用双阈值法、预存核函数、增加停机准则等方法对SMO算法做了改进.仿真实验表明,改进的算法能很好地对非线性数据和非线性函数进行回归,具有比原始SMO算法更快的训练速度和稳定的训练结果.

基于支持向量机的电流互感器非线性校正方法研究

针对电流互感器的磁滞特性引起的非线性问题,提出了一种支持向量机的非线性回归校正算法,对电流互感器的输出电压波形进行建模,参数优化和线性回归,从而达到非线性校正的目的。通过支持向量机算法对电流互感器的输出模型拟合仿真,与BP神经网络相比,支持向量机算法具有较好的非线性拟合能力,拟合误差小于3. 987e-05。在构造回归模型的基础上采用最小二乘法建立k值参数与输出电压的线性函数关系式,实现了对电流互感器输入电流的准确计算,使电流互感器非线性输出波形幅度平均均方误差降低到0. 434 9,相位误差小于1. 64%,且对失真畸变的波形进行了修正,提高了电流互感器的测量精度。

基于贝叶斯优化的支持向量回归模型对电能表在线率的预测

为预测电能表的在线状态,保障塔里木油田生产用电,将迪那地区电能表在线数等24个变量作为研究对象,运用反向特征消除方法进行数据降维,得到影响在线率的5个主要变量。进一步通过贝叶斯优化的支持向量回归方法完成对电能表在线率的预测,并与随机森林算法、梯度提升算法等预测方法进行比较。计算结果表明,该模型在预测电能表在线率的任务中表现出色,预测值加权平均误差低至0.408%,明显优于其他各算法。以塔里木油田为例,该模型可提升电网运维效率,为实现高效的电能分配提出了一条切实可行的途径。

基于贝叶斯支持向量回归机的稳健参数设计

稳健参数设计是一种质量改进的重要技术,能够从产品生产的源头上减少和控制波动的产生。双响应曲面法是其常用的方法,主要是利用低阶多项式模型来拟合均值和方差响应,但当样本较复杂(如为非线性或者高维样本)时,低阶多项式模型的拟合性能往往较差,求解优化问题效果不佳。支持向量回归机对非线性数据有良好的拟合潜力,但其性能依赖于参数的合理设置,文章将贝叶斯优化应用于支持向量回归机的参数选择,并将优化后的模型应用于稳健参数设计中响应曲面模型的构建,提出一种基于贝叶斯支持向量回归机的稳健参数设计方法。试验结果表明,所提方法和其他常见优化方法相比,可以获得更精确的响应曲面,可以在实际应用中近似得到可靠的最优因子搭配水平。

基于非线性优化算法的工业机器人轨迹跟踪自动控制

为完成机器人高效率工业生产任务,提出一种基于非线性优化算法的工业机器人轨迹跟踪自动控制方法。考虑杆件运动重力因素,从角速度、加速度等方面明确工业机器人动力学规律;使用具备非线性优化性质的蚁群算法规划运动轨迹,引入人工势场法计算待选节点和目标节点的间距,评估当前路径是否为最佳路径并更新信息素,输出最优工业机器人运行路线;计算机器人相对功率因数校正控制量,运用粒子群算法求解轨迹跟踪预测控制序列,通过支持向量机构建轨迹跟踪自动控制模型。实验结果表明,所提方法的轨迹跟踪稳定性强、精度高,能满足工业生产的实时动态需求,实用性强。

基于支持向量机热电偶的非线性误差校正

提出了一种利用支持向量机对热电偶进行非线性误差校正的原理和方法。该算法只依据样本就可以正确辩识热电偶逆模型特征 ,并将原问题转化为一个凸二次优化问题 ,能保证找到的极值解就是全局最优解 ,具有较好的泛化能力。通过对分度号为K的镍铬 -镍硅热电偶进行非线性校正的应用结果表明 。

考虑全过程优化的支持向量机预测方法

针对支持向量机(support vector machine,SVM)预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后,通过案例运算和分析,证明该文方法具有更高的预测精度。

基于贝叶斯优化XGBoost的短期风功率预测

针对风电场输出功率不稳定导致风功率预测精度低的现象,提出一种基于贝叶斯优化极端梯度提升(BOA_XGBoost)的短期风功率预测模型。将极端梯度提升(XGBoost)、支持向量机(SVM)、核非线性回归(KNR)三个基础预测模型以及贝叶斯优化后的极端梯度提升(BOA_XGBoost)、支持向量机(BOA_SVM)、核非线性回归(BOA_KNR)进行对比,通过内蒙古自治区某风电场的实测数据对六种预测模型进行验证,结果表明BOA_XGBoost模型预测效果最佳,有效改善了风功率预测效果,提高了风电并网运行的安全性。

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.

线性支持向量顺序回归机的原始问题的解集分析

本文主要对线性支持向量顺序回归机进行理论研究.对其相应原始问题解的存在性唯一性问题进行细致的分析,指明其解集的确切结构,并给出由对偶问题的解求出原始问题的解集的具体步骤.从而为建立理论上完备的线性支持向量顺序回归机提供了依据.

基于相关向量机的非线性动态系统辨识

基于具有核函数不用满足Mercer条件、相关向量自动确定及核函数少特点的稀疏贝叶斯的相关向量机核学习方法,提出了平滑先验条件约束的相关向量机的学习方法,采用稀疏贝叶斯模型的最大边缘似然算法加快了求解相关向量机的向量,并采取交叉验证法确定其核参数提高了相关向量机辨识的泛化性。该方法避免了支持向量机的非线性系统辨识的模型结构难于确定的问题,与支持向量机辨识方法相比较,辨识的模型结构更简洁。仿真表明,该方法应用于非线性动态系统的辨识,具有良好的效果。

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.

改进投票策略的Morlet小波核支持向量机及应用

主要研究了现有支持向量机存在的问题,提出基于贝叶斯优化投票策略和Morlet小波作为核函数的改进方法。通过贝叶斯优化改进支持向量机分类投票策略,实现对不可分区域数据的有效分类。通过建立Morlet小波核支持向量机,使向量机更加适合冲击非线性信号的分类,并用一个滚动轴承的实例说明方法的鲁棒性和可靠性。

支持向量机回归法在天线设计中的应用

提出了一种利用支持向量机回归进行天线设计的方法.以印刷偶极子天线为例,通过对3个主要的天线参数进行训练以捕捉天线结构尺寸和天线性能之间的关系,从而建立支持向量机回归模型.该模型在保证快速计算的前提下显示出比神经网络模型更高的计算精度,从而节省天线设计和优化时间.

基于最小二乘支持向量机的机器视觉识别方法

为了解决传统的机器视觉识别技术识别精度低的难题,提出基于粒子群优化最小二乘支持向量机的机器视觉识别方法。首先,对机器视觉采集的图像进行特征提取;然后,利用特征数据建立基于粒子群优化最小二乘支持向量机的识别模型;最后,以红枣缺陷识别作为应用案例以证明该方法的有效性及优越性。分别采用人工神经网络、支持向量机与该方法进行对比分析,实验结果表明,改进的最小二乘支持向量机对缺陷红枣的识别性能优于神经网络与支持向量机的识别性能。

结合免疫优化和LS-SVRM观测器的非线性系统自适应鲁棒控制

针对一类单输入单输出不确定非线性控制系统提出了一种自适应鲁棒控制算法.由于最小均方支持向量回归机(LS-SVRM)的最终解可以化为一个具有线性约束的二次规划问题,不存在局部极小,所以该算法在不要求假设系统的状态向量是可测的条件下通过设计基于LS-SVRM的观测器来估计系统的状态向量;同时在算法中假设LS-SVRM的最优逼近参数向量和标称参数向量之差的范数和逼近误差的界限是未知的,因此可通过对未知界限估计的调节来提高系统的鲁棒性.考虑到LS-SVRM本身参数对LS-SVRM性能的影响,本文应用一种新的免疫优化算法对LS-SVRM的参数进行优化,从而提高LS-SVRM的逼近能力.理论研究和仿真例子证实了所提方法的可行性和有效性.