基于ν-支持向量机的波浪中船舶操纵运动辨识建模

本文采用系统辨识方法对船舶在波浪中的三自由度操纵运动进行黑箱建模。以KCS船为研究对象,建模所需的数据由规则波中的船模回转试验获得。分别利用原始数据及经低通滤波处理后的数据,应用ν-支持向量机进行黑箱建模。进一步地,利用所建立的模型进行运动预报,并将预报结果与真实的试验值进行比较,对所提出的建模方法进行验证。结果表明,ν-支持向量机是一种可进行波浪中的船舶操纵运动辨识建模的有效方法。

基于FPGA的两阶段配电网拓扑实时辨识算法

对配电网拓扑进行准确的实时辨识是电力系统安全稳定运行的基础,但随着新能源的接入以及配电网规模不断增大,配电网拓扑结构的动态变化愈加频繁且难以辨识。然而,现有配电网拓扑辨识算法所使用的历史数据需要人工对其进行拓扑标注,且拓扑辨识时间长,难以实现配电网拓扑实时辨识。因此,文中提出了一种基于现场可编程逻辑门阵列(FPAG)的两阶段配电网拓扑结构实时辨识算法。该算法不需要预先给出配电网拓扑类别的数量,即可对已有历史数据进行相应的拓扑标注及分类,并且基于FPGA实现了对配电网拓扑的实时辨别。该算法分为2个阶段:第1阶段采用变分贝叶斯高斯混合模型,对已有历史数据进行相应的拓扑标注及分类;第2阶段采用麻雀搜索算法,使得支持向量机快速收敛得到最优参数,以实现对配电网拓扑结构的精准辨识。基于该算法,利用FPGA并行架构以及高速高密度特性建立了实时拓扑结构辨识平台。最后,通过算例分析验证了所提辨识方法的有效性和优越性。

基于业务基线的电力物联终端智能辨识方法

针对新型电力系统数字化建设的关键环节,提出一种基于业务基线的电力物联终端智能辨识方法,采集电力物联终端流量报文并分析数据分布特征,定义电力物联终端业务基线;对须识别的终端设备提取特征向量,与业务基线进行匹配,从而实现对使用ModbusRTU协议进行通信的电力物联终端设备的智能辨识。为验证方法有效性,采集10种电力物联网终端设备在单位时间内连续10次接收自主构建的Modbus消息帧,并返回相应的应答数据。结果表明,当阈值高于0.08时,识别精度较高,所提方法无需繁杂的特征提取,且识别精度较高。

基于HPO-SVM的大型油浸式变压器运行状态辨识方法研究

大型油浸式变压器的运行状态辨识对于确保电力系统的稳定至关重要。研究提出了一种基于遗传算法(GA)优化的支持向量机(HPO-SVM)方法,用于提高变压器故障诊断的准确性。该方法通过遗传算法自动调整支持向量机(SVM)的超参数,包括核函数的选择和正则化强度,以优化模型性能。实验结果表明,HPO-SVM在多个变压器故障数据集上的表现均优于传统SVM,显示出更高的辨识准确率和更快的收敛速度。研究为变压器的智能监控和维护提供了一种有效的技术手段,有助于提升电力系统的可靠性和经济性。

基于关联辨识的虚假电力信息快速辨识方法设计

虚假电力信息作为一种常见的网络攻击方式,因其具备极强的隐蔽性,往往能够对电力系统造成较为严重的后果。攻击者利用电网拓扑信息精心构建隐蔽性攻击向量,从而绕过传统不良数据检测机制恶意篡改量测数据,严重影响到电力CPS的安全稳定运行。提出一种基于双马尔科夫链的虚假电力信息快速辨识方法。利用双马尔科夫链建立电力系统的运行状态函数,以实现电力系统的运行状态感知与电力信息的提取。通过对电力信息数据样本进行关联规则挖掘,并对挖掘结果进行预处理。建立基于支持向量机的虚假电力信息快速辨识函数,将预处理后的数据输入至辨识函数中,通过支持向量机的分类算法进行辨识,得到虚假电力信息的快速辨识结果。实验结果表明,设计的方法可以精准识别配电网节点携带的虚假电力信息条数,并对节点虚假电力信息类别进行划分,辨识时间短,虚假电力信息快速辨识效果好。

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机(SVM)的性能存在很大差异,核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后,重点对常用的核函数及其参数的选择进行了研究,并采用具有不同核函数的SVM进行非线性系统辨识。大量实验结果表明,采用SVM方法进行系统辨识时,径向基核函数(RBKF)比其它核函数的辨识效果好,且RBKF的参数选择较容易,当参数在有效范围内改变时,空间复杂度变化小,易于实现。因此,RBKF是系统辨识SVM的较好选择。

基于支持向量机的航空发动机辨识模型

针对航空发动机具有强非线性、时变性的特点以及采用常规神经网络辨识时存在的局部较小,过学习等问题,提出了一种基于支持向量机的通用发动机模型辨识方法。该方法基于现代统计学习理论,采用结构风险最小化准则,保证了网络具有很强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成。本文采用实测到的发动机飞行记录数据作为训练样本,利用回归型支持向量机建立了发动机的辨识模型,研究结果表明该方法的辨识精度较高,鲁棒性、容错性较好,具有较大的实用价值。

基于支持向量机的未知非线性系统辨识与控制

针对一个未知非线性系统 ,提出了基于支持向量机的建模与控制结构 .该控制结构以支持向量机为辨识器 ,并用指数梯度算法来求控制作用 .仿真实例表明了提出的方法是正确。

基于频域系统辨识和支持向量机的桥梁状态监测方法

随着大跨度悬索、斜拉桥的增加,保障桥梁安全、降低维护费用成为交通管理以及政府部门关注的问题。针对损伤样本难以获得的实际情况,将桥梁状态监测问题作为模式识别中的“一类学习”问题处理。桥梁模式特征获取过程是“只有输出响应”的系统辨识问题,考虑到监测系统需要在线工作的特点,提出运用概念直观、结果可靠且便于自动实现的CMIF系统辨识方法作为获取模式特征的工具。为了获得足够敏感的异常报警判别函数,采用了基于支持向量机的一类学习算法,这种方法在得到很高灵敏性的同时,可以方便地权衡敏感性和泛化性能之间的矛盾。用香港汀九桥794小时实测数据对所采用的算法进行验证,证明了算法的有效性和实用性,其结果可供设计类似监测系统时参考。

基于支持向量机的非线性系统辨识

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法,该文利用支持向量机对非线性系统进行黑箱建模,介绍了v-SVR的基本理论,并进行了仿真实验,结果验证了所提出的方法的正确性和有效性。

最小二乘小波支持向量机在非线性系统辨识中的应用

基于小波分解和支持向量核函数的条件,提出了一种多维允许支持向量小波核函数.该核函数不仅是近似正交的,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提高了支持向量机的泛化能力.基于小波核函数和正则化理论提出了最小二乘小波支持向量机(LS WSVM)并将LS WSVM用于非线性系统的辨识,提高了辨识效果,减少了计算量.仿真结果表明:LS WSVM在同等条件下比传统支持向量机的辨识精度提高约13 1%,因而更适合于工程应用.

最小二乘支持向量机在汽车动态系统辨识中的应用

汽车转向时动态系统参考模型对于汽车稳定性的控制有重要影响.基于最小二乘支持向量机算法,应用网络搜索和交叉验证的方法选择支持向量机参数,并将其应用于汽车转向时的非线性动态系统辨识,取得了良好的辨识效果,建立的参考模型能够较充分地描述汽车动力学行为.

支持向量机在电液伺服系统辨识建模中的应用

提出了电液伺服系统的支持向量机的辨识建模方法。利用电液伺服系统的可测参量,建立了基于支持向量机的电液伺服系统的模型。以电液位置伺服系统为例,进行了仿真实验。仿真结果表明支持向量机模型具有辨识精度高,推广性能好的优点,从而验证了该方法的正确性和有效性。

基于支持向量机的非线性系统辨识研究

研究了基于支持向量机的非线性系统辨识方法并进行了仿真试验,用交叉验证的方法进行支持向量机参数选择。有效的仿真结果表明支持向量机是非线性系统辨识的一种非常有效的方法。

尺度核支持向量回归的非线性系统辨识

提出一种新的尺度核支持向量回归方法,并应用于非线性系统辨识问题。通过线性规划技术和采用尺度函数作为核函数来实现支持向量回归模型。该支持向量回归的核函数不必满足Mercer条件,为实际应用更广泛地选择尺度核提供更大的灵活性。仿真实验结果表明该尺度核支持向量回归方法可以成为非线性系统辨识的有力工具。

基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识

基于仿真的Z形试验数据,应用支持向量回归机对船舶操纵运动响应模型进行了机理建模,从核函数结构中得到了模型中的操纵性指数,并利用建立的响应模型进行了Z形试验的运动预报,同时引入粒子群算法对惩罚因子C值进行寻优,以减少惩罚因子C值选择的任意性对船舶操纵运动模型辨识精度产生的不利影响。通过将运动预报结果同仿真试验数据进行比较,验证了文中方法的有效性。

Hammerstein-Wiener模型最小二乘向量机辨识及其应用

借鉴最小二乘支持向量机求解的思路,文中提出了辨识多输入-单输出Hammerstein-Wiener模型的方法.引入共线性约束假设,将辨识问题转换为有约束的优化问题,从而辨识出Hammerstein-Wiener模型的参数.基于Hammerstein-Wiener模型,我们建立了一个多输入-单输出的滚动预测模型,对铜转炉造渣S2期吹炼所需总氧量进行了预测,其相对均方根误差为12.1%.仿真结果表明,该模型预测准确、具有较好的应用价值.

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.

基于最小二乘支持向量机的模糊辨识及其在热工对象逆系统建模中的应用

建立1种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的模糊辨识方法,根据学习样本集的模糊聚类结果,产生LSSVM的模糊核函数,并证明该模糊核函数是Mercer核函数,为LSSVM提供1种构造核函数的简便方法。此外,由于所建立的模糊辨识方法在T-S模糊模型的后件参数学习过程中采用结构风险最小化准则,提高了模型的泛化能力。利用所建立的辨识方法进行热工对象逆系统模型辨识,证明了该方法的有效性。

基于支持向量机的系统辨识

支持向量机是在统计学习理论基础上发展的一种新的机器学习方法 ,由于其出色的学习性能 ,该技术已成为当前国际机器学习界的研究热点。该文利用支持向量机 ,选取不同的核函数 ,分别对线性自回归滑动平均模型、双线性模型、非线性模型进行模型辨识。