基于DE-SVM的硅基压阻式压力传感器温度补偿研究

针对硅基压阻式压力传感器易受环境温度影响的特点,提出了一种基于DE-SVM的硅基压阻式压力传感器温度补偿方案。该方案主要由训练数据预处理模块、DE参数寻优模块、SVM训练模块、数据采集模块、测量数据预处理模块及SVM校正等模块组成,以SVM算法的非线性回归功能为核心,通过DE算法优化SVM参数,经训练后得到温度校正模块,模块接收测量数据后输出校正后的压力值。实验表明,对单个传感器压力值使用DE-SVM模型进行校正,最大误差和均方误差分别下降了93.87%和99.89%;在七块硅基压阻式压力传感器构成的多传感器情况下,最大误差和均方误差分别下降了93.17%和99.27%,平均相对误差由14.06%下降至1.20%;最后选取训练数据不包含的温度点使用所建立的模型进行测试,模型仍能够较好地进行温度补偿。

基于DE-SVM的岩层可钻性预测研究

鉴于试验确定深部岩层可钻性指标成本很高,而且测井信息神经网络模型往往存在过学习问题,利用遵循结构风险最小化的统计学习理论工具——支持向量机(SVM)建立可钻性预测模型,通过支持向量机对样本的学习,建立岩层可钻性与诸多测井信息的复杂非线性映射.为解决支持向量机参数选取问题,引入全局优化算法——差异进化算法(DE),建立DE-SVM的进化模型,进一步提高模型预测精度.算例表明,差异进化算法收敛快速,该方法预测精度高于传统方法,对新井钻头选型和钻速确定有重要意义.

基于ADE-SVM和模糊理论的电力系统中期负荷预测

在基于支持向量机(SVM)的电力系统中期负荷预测的基础上,针对SVM参数难以确定的问题,在引进微分进化(DE)算法优化SVM参数的基础上,为了减少DE的寻优时间,提高全局搜索能力,用基于学习样本集噪声估计的方法确定SVM参数的范围作为DE的寻优范围,以指导DE寻优。同时,引进自适应算子,采用参数自适应DE(ADE)算法选择SVM参数。由于影响负荷的气温因素是模糊的,利用隶属度函数对气温因素进行模糊化处理,进一步提高了预测精度。将上述方法用于欧洲智能技术网络(EUNITE)竞赛数据的中期电力负荷预测,结果表明,该方法能够准确预测负荷变化,且比其他算法具有更高的预测精度,为电力系统负荷预测提供了重要手段。

基于DE-SVM非线性组合预测模型的研究

为提高预测精度,提出DE-SVM非线性组合预测模型。以组合预测模型的误差平方和最小为优化准则,用差分进化算法(DE)对支持向量机参数进行优化,并利用支持向量机对单一模型的预测结果进行组合预测。算例结果表明,DE-SVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强。

DE-SVM融合算法在入侵检测中的应用

为提高网络数据的检测效率,将差分进化算法与支持向量机算法融合(DE-SVM)应用到网络入侵检测中。引入自适应算子优化差分进化算法中的交叉概率CR和摄动比例因子F,采用优化的DE算法对支持向量机的参数进行选择,构建DE-SVM入侵检测算法。KDDCUP 99数据集的测试结果表明,融合算法提高了网络入侵检测的性能,缩短了训练时间。

基于诱发因素响应与DE-SVM模型的滑坡位移预测

三峡库区滑坡的稳定性直接影响到库区沿岸居民的生命及财产安全,而对滑坡变形的预测对于地质灾害防治有着重要意义。基于三峡库区涉水滑坡多存在阶跃式的变形特征和位移监测数据,采用差分进化(DE)算法对支持向量机(SVM)模型参数进行全局优化,并利用优化后的差分进化-支持向量机(DE-SVM)模型对滑坡位移监测数据进行训练,最终实现了对滑坡位移量的预测。以三峡库区典型滑坡——奉节县藕塘滑坡为例,运用DESVM模型并考虑库水位和降雨作为该滑坡的诱发因素,对该滑坡的变形及其发展趋势进行了预测研究。结果表明:基于诱发因素响应的DE-SVM模型对藕塘滑坡变形的预测结果与该滑坡的实际变形特征基本一致,表明该模型的预测精度高,对三峡库区涉水滑坡位移的预测具有重要的参考价值。

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。

基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明:所提方法具有准确性和有效性。

基于LS-SVM算法的多场景风功率预测研究

为了减少风力发电的不确定性和随机性对电力系统的影响,解决风电并网困难和风电机组预测复杂度高等问题,提出一种基于聚合批的最小二乘支持向量机(LS-SVM)预测模型用于风功率预测。在此基础上,利用改进的差分进化算法解决参数对于最小二乘支持向量机建模的影响。同时,本文提出利用场景树的思想对LSSVM的预测结果进行进一步修正。用某风电场的实际数据进行功率预测试验,结果表明批建模在保证计算时间的基础上预测精度高于传统预测方法,且加入场景数后能对LS-SVM的预测结果起到很好的修正作用,本文提出的建模方法及改进策略与其它方法相比预测精度更高,能更有效地用于风功率预测。

基于小波消噪和LS-SVM的混沌时间序列预测模型及其应用

提出将小波消噪、相空间重构理论与LS-SVM相结合,实现变形监测数据的建模及预测。先对变形监测时间序列进行小波消噪;然后用C-C法求出非线性变形数据的最优嵌入维数和时间延迟参数,并对其进行相空间重构;最后采用LS-SVM对其进行建模预测,并与BP神经网络的预测结果进行了比较分析。实例表明,基于小波消噪和LS-SVM的混沌时间序列预测模型具有较好的预测效果。

基于差分进化算法的支持向量机参数选择

支持向量机参数是影响其性能的重要因素,为了进一步提高支持向量机分类精度和泛化能力,提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则,利用差分进化算法对SVM参数进行优化选择。实验结果表明,利用差分进化算法选择SVM参数,加快了参数搜索的速度,提高了SVM分类精度,该方法具有良好的鲁棒性和较强的全局寻优能力。

基于最小二乘支持向量机的声波测距系统消噪处理

针对声波测距系统噪声复杂,淹没在噪声中的回波难以检测的问题,以机器统计学习理论为基础,采用最小二乘支持向量机(LS-SVM)建立系统模型,实现了声波测距系统异常值的预测和噪声的消除,并与传统的时间序列分析方法建立的自回归滑动平均求和模型(ARIMA)的消噪效果进行了仿真对比。仿真结果表明,利用最小二乘支持向量机建立的模型预测精度高,能有效地抑制声波测距系统中的噪声。

基于差异进化支持向量机的坑外土体沉降预测

就用支持向量机(SVM)预测基坑外土体沉降而言,通过差异进化(DE)算法构造适合的决策函数十分重要。在确定坑外土体沉降函数的基本形式下,进行参数反演。后将得到的解析式作为SVM的决策函数,再进行核函数转换,从而使SVM的曲线拟合更加快速,预测更加准确。对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测的结果表明,使用SVM-DE算法在计算数据量、计算消耗时间和预测精度方面优于2种方法单独使用。

多支持向量机融合建模的直线电机设计研究

主要研究多支持向量机融合建模方法,并使用差分进化算法对模型进行优化。以圆筒直线电机为研究对象,采用有限元法、正交实验设计与随机实验设计结合方法获得直线电机非参数建模的样本空间,建立直线电机的快速计算模型,并验证模型的精度和效率;采用差分进化算法对直线电机结构进行优化设计,并采用有限元模型验证优化结果的可靠性。为多支持向量机融合算法提供了实际验证。

基于改进阈值函数及SVM的滚动轴承故障诊断

为了提高稀缺的滚动轴承故障样本的利用价值,以及针对支持向量机对噪声敏感的特点,提出了基于小波阈值去噪和SVM的轴承运行状态识别的新方法。对现有故障轴承振动信号样本进行小波阈值去噪,得到相应的去噪后样本。在此基础上结合SVM的参数寻优进行SVM模型的初步建立,并将错分样本重新去噪后进行SVM模型的重建,直到惩罚因子和交叉验证的精度达到预定标准,从而实现最优模型的建立以及轴承状态的识别。但是传统的软硬阈值函数各自存在的不足制约了信号去噪和特征提取的效果,并且无法实现去噪处理的可调性,因此,首先提出了一种改进的阈值函数,并结合MATLAB仿真实验分析了其优点。最后的滚动轴承诊断实例表明,引入改进阈值函数的去噪法能有效提高样本数据利用率和SVM的抗噪与泛化能力以及滚动轴承智能诊断的可靠性。

联合小波和马尔可夫特征的数字图像来源认证

针对数字图像来源判别准确率不高的问题,提出了基于模式噪声的图像来源认证方法。该算法首先利用小波降噪算法从已拍摄图像中提取模式噪声,然后求取模式噪声的小波和马尔可夫特征,最后采用支持向量机(support vector machine,SVM)分类方法,利用噪声特征组合的分类器进行图像来源分类,并对分类结果进行定性和定量分析。实验结果表明,该方法对不同品牌和同一品牌不同型号的相机都有较高的判别准确率。

基于RQA与SVM的声发射信号检测识别方法

针对裂纹声发射信号检测问题,提出基于递归定量分析与支持向量机相结合的新型检测方法。利用小波阈值去噪原理,对采集的声发射信号进行去噪,将递归定量分析引入声发射信号检测,提取递归定量分析的量化特征参数,结合支持向量机对模拟裂纹声发射信号进行识别。并实验验证该方法的可行性。

基于前额联络皮层脑电信号的海洛因戒断大鼠个体觅药行为状态识别

目的:探究海洛因诱导位置偏爱大鼠不同行为状态下额叶联络皮层(FrA)无线遥测脑电新的分析方法,以期能精确实时识别海洛因诱导大鼠个体的强迫性觅药行为。方法:清洁级Wistar大鼠30只,于前额皮层行电极埋藏术后,随机分为手术对照组(n=10)和海洛因诱导组(n=20);海洛因诱导组皮下注射海洛因0.5 mg/(kg·d),之后每日递增0.25 mg/kg,连续注射7 d,对照组同时间注射等量生理盐水;利用CPP视频系统结合脑电无线遥测技术,同步记录白-黑箱穿梭、黑箱停留、黑-白箱穿梭、白箱停留四种行为状态下已成瘾大鼠FrA区脑电信号,辨识原始脑电中含肌电等噪声信号区域,针对性的给以小波分解及振幅阈值消噪预处理,提取不同行为状态下脑电数据的样本熵值及与4个节律频率对应的小波系数标准差值,利用支持向量机算法(SVM)实现对海洛因成瘾大鼠个体不同行为状态的实时识别。结果:SVM对20只经海洛因诱导产生明显药物依赖的大鼠个体白-黑穿梭、黑箱停留、黑-白穿梭、白箱停留四种不同行为状态的实时分类识别率均值都达到80%左右,其中与觅药行为关联最紧密的黑-白穿梭状态实时识别率均值达到83.88%。结论:本文建立的对海洛因诱导大鼠个体强迫性觅药行为的实时识别方法,可作为一种检测海洛因大鼠觅药行为发动、发生的有效手段,可用于海洛因依赖患者的临床观察和觅药行为的预防。

一种基于DE-SVR的逼近算法及其在CPI预测中的应用

利用逐级逼近思想建立起一种基于DE-SVR的逼近算法。通过运用该算法对居民消费价格指数(CPI)进行预测的实验证实,该算法有着很高的预测精度,是一种进行回归拟合的新算法。

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。