遗传支持向量机模型优化在入侵检测中的应用

针对目前入侵检测检测精度低的问题,根据遗传和支持向量机算法的特点,建立了一种遗传支持向量机模型。该模型首先用遗传算法优化支持向量机参数,再用优化后的支持向量机构建入侵检测模型,使用该模型进行入侵检测。实验通过讨论了支持向量机参数的选择对检测精度的影响,选取了合适的参数(c,σ)。结果表明,把这种遗传支持向量机模型用于入侵检测提高了检测精度。

基于遗传算法-支持向量机的我国创新型城市评价

本文建立了基于GA-SVM的创新型城市评价模型,首先对评价数据进行了预处理,然后构建创新型城市评价指标体系,并对我国创新型城市进行实证研究。本文的方法避免了建立创新型城市评价模型时,参数选择的随机性。本文还对训练集城市的预测位次与真实位次进行了比较分析,验证检验结果的准确性。最后,分析了创新型城市评价结果并提出建议。

免疫遗传优化支持向量机回归在混沌时间序列预测上的应用

在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列。算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化。免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值。对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度。

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机(GA-SVM)相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),分解成若干个固有模态函数(Intrinsic Mode Function,IMF),依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。

矿区GPS高程异常相关向量机拟合模型

为提高GPS高程异常拟合的精度及可靠性,基于相关向量机模型(Relevance vector machine,RVM),提出了一种稀疏化概率式的GPS高程异常SVM拟合模型。以柯西核函数与交叉验证法构建相关向量机,并推导了置信区间的估计公式。以某矿区GPS高程控制网为例,构建了基于相关向量机的高程异常拟合模型,并与多项式拟合、BP神经网络和遗传最小二乘支持向量机进行精度对比,通过置信区间估计,评价拟合结果的可靠性。试验结果表明:1相关向量机的平均绝对误差(Mean absolute error,MAE)、平均绝对百分误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)等精度指标均较大幅度优于多项式、BP神经网络和遗传最小二乘支持向量机;2测试数据集的实测高程异常均在相关向量机估计的置信区间内。上述试验结果进一步表明:相关向量机是一种精度及可靠性高的矿区GPS高程异常拟合方法,对于快速测定矿区正常高有一定的参考价值。

局域波信息熵在高速自动机故障诊断中的应用

针对自动机工作时的短时冲击信号特征,首先,对其运动形态进行分解,截取与故障构件动作相对应的振动信号进行分析;其次,利用多层小波包分解截取信号,对其频率成分及能量分布进行研究;然后,将小波包分解后频带能量大的信号重构进行局域波分解,同时提取局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量的变化,并将其作为故障特征量;最后,利用遗传算法的全局寻优能力对支持向量机的参数进行优化,建立了遗传支持向量机(genetic algorithms-support vector machine,简称GA-SVM)模型,将提取的特征量输入其中进行故障分类识别,并将识别结果与空间穷尽搜索支持向量机(support vector machine,简称SVM)的识别结果进行对比。

基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。

基于计算机视觉和GA-SVM的梭子蟹体重预测

以梭子蟹为研究对象,利用计算机视觉技术对其进行测量.通过CCD相机获取不同生长情况下的梭子蟹图像,采用图像处理技术对图像进行分割处理,计算获得的投影面积、全甲宽与甲长参数;利用图像获取的尺寸参数对梭子蟹体重进行预测,发现梭子蟹投影面积、全甲宽、甲长与体重具有正相关性;并采用遗传优化(GA)的支持向量机(SVM)建立梭子蟹体重回归预测模型.实测结果表明,梭子蟹体重预测值与实测值平均绝对百分比误差(MAPE)为2.23%,均方根误差(RMSE)为5.80 g,优于BP神经网络和参数未优化的SVM预测.证明基于计算机视觉与遗传优化支持向量机(GA-SVM)的梭子蟹体重预测方法能够达到梭子蟹体重测量要求.

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。

基于GA-SVR的数控机床热误差建模

为了提高数控机床加工精度,消除数控机床热误差对加工精度的影响,文章提出了基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法。为了构建机床的热误差模型,首先采用温度传感器与位置传感器测量机床的温度与对应的机床主轴变形量。其次把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值。最后建立机床热误差模型,并验证模型的准确度。结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点。

数控机床热误差建模与补偿

数控机床热变形误差对零件加工精度有重大影响。基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法要点有三:其一是数据采样,用不同传感器测量机床关键点的温度与机床主轴变形量。其二是数据训练,把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值。其三是数据建模,建立机床热误差模型,并验证模型的准确度。仿真及实验结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点。并依此算法建立了以DSP和A/D为核心的热误差补差补偿器。

基于遗传-支持向量机的对置活塞二冲程柴油机气口高度优化

以某对置活塞二冲程柴油机为研究对象,基于一维仿真模型,利用遗传-支持向量机的方法 ,以油耗为优化目标,进行不同转速工况下进排气口高度组合的自动化寻优。结果表明:在1200r/min下,优化的进、排气口无量纲化高度组合为[0.075,0.105],所得最小油耗为220.32g/(kW·h);对置活塞二冲程柴油机的气口最优高度应随着转速的提高逐渐增大;且在高转速(大于1 600r/min)下,排气口最优高度增加趋势更加明显。

基于改进机器学习的输电线路弧垂温度估计方法

针对采空区地质塌陷造成的杆塔倾斜、线缆断裂以及现有输电线路弧垂和温度监测过于依赖传感器等问题,提出基于改进机器学习的输电线路弧垂温度估计方法。首先,利用安装在线路上的智能摄影机和传感器获得线路的弧垂温度图像数据。然后,基于远程无线通信传输至数据采集与监视控制系统(SCADA),基于遗传-支持向量机(GA-SVM)算法估计输电线路的弧垂,采用GA-Elman神经网络算法估计输电线路的温度,准确跟踪输电线路状态。最后通过搭建仿真平台对所提方法进行分析验证,实验结果表明所提方法能够快速获取复杂环境下的监测数据,并且弧垂温度估计准确率高于对比方法。

基于遗传算法优化LSSVM的着靶速度建模与预测

测试弹丸的着靶速度是靶场试验的重要科目,但是当弹丸飞行状态异常时,雷达就无法准确测试着靶速度,所以利用已测数据对未能准确测试的数据进行预测就很必要。常用的预测模型是GM(1,1)灰色模型,预测精度不理想。为了提升预测精度,选择采用BP神经网络和支持向量回归机进行预测,但这两个模型的参数是随机选取的,预测精度不是最高,所以选择利用遗传算法优化最小二乘支持向量机预测最优参数。实验结果表明,遗传算法优化最小二乘支持向量机的预测精度最高,误差小于2‰,是预测着靶速度的最佳模型。

煤巷支护参数预测研究

目前支持向量机(SVM)和随机森林(RF)等算法在煤矿巷道支护领域应用较少。研究了不同的机器学习模型进行支护参数设计的适用性,以建立一个更高性能的模型来实现锚杆支护的合理、科学设计。首先建立煤巷支护智能预测数据库:采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本;采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理,建立煤巷支护数据库。提出一种基于合成少数类过采样(SMOTE)-遗传算法(GA)-SVM的煤巷支护参数预测模型:将数据库中的数据分成训练集与测试集,采用SMOTE技术平衡训练样本,提高模型对少数类样本的拟合能力;训练过程采用GA对SVM的超参数进行全局寻优,进一步提高模型整体性能。测试结果表明,SMOTE-GA-SVM模型的分类精度达到83.8%,比传统的SVM模型提高了21.8%。将SVM、人工神经网络(ANN)、RF、AdaBoost(ADA)和朴素贝叶斯分类器(NBC)等机器学习方法引入到煤巷锚杆支护参数预测中,建立对应的支护参数预测模型,比较结果表明:从最优到最差的预测模型排序分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA,6种模型的平均分类精度达69.9%,验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性。在山西霍宝干河煤矿有限公司对SMOTE-GA-SVM模型进行了应用,模型预测准确率达87.5%,具有较强的适用性和可靠性。

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。

面向电力虚拟社区的隐性知识收集方法

电力隐性知识广泛存在于电力虚拟社区的问答模式中,并且随着虚拟社区的扩张,其中的电力隐性知识数量正与日俱增。然而,由于虚拟社区中自由的问答交流方式,导致解决具体问题的电力隐性知识被淹没于大量的无用信息中,适用性好的隐性知识难以被相关电力从业人员快速获取,因此,过滤无效信息,收集电力虚拟社区中的隐性知识,对电力隐性知识的挖掘、检索以及共享有着重要的意义。为此提出了一种面向电力虚拟社区的隐性知识收集方法。该方法以向量空间模型为基础,根据电力虚拟社区中问答模式的特点,将其表示为四维向量形式,使隐性知识收集转化为文本向量二分类问题,并采用遗传支持向量机进行分类,从而完成电力隐性知识的收集。实验结果表明,提出的方法获得了较好的正确率。

基于小波分析和GA-SVM的金刚石砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。

封堵矿井突水点注浆量预测研究

在收集肥城煤田封堵突水点资料基础上,分析了影响注浆量的主要因素是突水水压、突水量、封堵过水通道长度、注浆压力等,借助智能算法自动获取支持向量机最佳参数的优点,优化支持向量机回归分析能力,建立GA-SVR非线性模型和PSO-SVR非线性模型,并通过实际工程对封堵突水点注浆量做出预测。通过对比实际注浆预测结果,得出PSO-SVR模型预测结果相对准确,但预测结果波动性偏大,GA-SVR预测结果相对稳定,但预测结果误差相对偏大的特点。因此提出在进行注浆量预测时,采取两种模型同时进行注浆量预测,取其区间值,实现又快又好又经济地封堵突水点。