基于IPSO-SVM算法的高校网络入侵检测应用技术研究

入侵检测是网络安全领域的一种重要技术手段,随着当代信息化相关技术的不断发展和迭代,网络安全的重要性正以指数倍数不断上升,而高校网络开放性较强,因此对高校网络安全的要求也随之提高。为了能够增加网络安全检测的准确度,本文提出了一种新方法,即基于IPSO-SVM算法的高校网络入侵检测方法。先改进粒子群优化算法(Particle Swarm Optimization,简称PSO),再利用改进的IPSO算法优化支持向量机(Support Vector Machine,简称SVM)的参数。通过对比实验得出,IPSO-SVM算法的效果明显优于SVM和PSO-SVM算法,其正确率分别提升9.41%和4.56%,误报率分别降低3.25%和1.61%,漏报率分别降低1.88%和0.92%。

基于IPSO-SVM的动态汽车衡故障诊断方法研究

针对服役状态下,不易对轴重式动态汽车衡的灵敏度漂移等故障进行在线检测这一问题,提出了一种特征降维下结合莱维飞行改进粒子群算法优化支持向量机(IPSO-SVM)模型,以及信号特征提取与降维的动态汽车衡故障诊断方法。首先,提取了输出信号的时域与频域特征,利用核主成分分析(KPCA),将非线性映射函数输入空间变换到高维空间,实现对特征向量的降维与筛选目的;然后,利用了莱维飞行改进粒子群优化算法(PSO)的寻优能力,并采用改进后的算法对支持向量机(SVM)进行了优化,得到了最优的参数组合,以此构建了全局最优的IPSO-SVM诊断模型;最后,采用建立的诊断模型,对不同车重、不同车速、不同轴型载荷工况下的动态汽车衡进行了故障诊断验证。研究结果表明:采用该动态汽车衡故障诊断方法,其诊断准确率可达98%,证实了引入莱维飞行后的改进粒子群算法可显著改进优化的效率和效果。相比现有诊断方法,IPSO-SVM诊断模型可有效解决PSO算法易陷入局部最优解的问题,准确率得到了较大提升,可实现对汽车衡系统动态故障工况下的全类型高精度诊断。

基于IPSO-SVM的电力输电线路隐患故障识别方法

为了避免电力系统发生线路风险隐患,可靠识别电力输电线路隐患故障,提出基于IPSO-SVM算法的电力输电线路隐患故障识别方法。获取该特征对应的包络谱奇异值矩阵,通过该矩阵描述电力输电线路隐患故障特征向量,将其输入至经过优化粒子群算法和最小二乘法双重优化后的支持向量机模型中,分类识别电力输电线路隐患故障,并输出识别结果。测试结果表明:惩罚因子和核参数取值分别为0.002和15时,该方法可精准分析影响隐患故障的时域特征参数;隐患故障识别误差低于0.06。

基于主成分分析的IPSO-SVM血泵转速预测

针对目前血泵预测方法中,未充分考虑到循环系统的复杂环境的缺点,采用主成分分析(PCA)的改进粒子群算法(IPSO)优化支持向量机(SVM)的方法将循环系统中复杂因素考虑到模型中。对血泵和循环系统进行建模,利用PCA对循环系统影响因素进行降维分析,利用IPSO优化SVM得到模型参数,对血泵转速期望值预测。最终对模型进行性能评估分析。结果表明,该算法在血泵转速预测中具有更好的逼近能力和预测精度,说明了其有效性。

基于IPSO-SVM算法的网络入侵检测方案研究

为了提高网络入侵检测水平,笔者在支持向量机(Support Vector Machines,SVM)的基础上进行优化,形成IPSO-SVM算法,并将该算法应用至网络入侵检测中,构建新的网络入侵检测架构。该架构通过样本分类简化入侵检测体系,采取迭代处理选取最优参数,将其作为入侵检测判断依据。实验结果表明,本文提出的入侵检测方案能够全面识别入侵攻击行为,正确率较高,可以作为网络入侵检测工具。

基于BEMD-IPSO-SVM的扣件完损状态检测

扣件的完损状态关乎铁路系统的安危,而传统检测算法运算复杂且精度不足,为进一步提升检测性能,提出基于BEMD-IPSO-SVM的扣件完损状态检测算法。该算法首先对初始化的扣件图像进行二维经验模态分解,提取固有模态函数的频谱特征,通过改进粒子群算法优化支持向量机来实现检测分类,达到了简化运算,增强泛化性,提升识别准确度的目的。通过实验仿真得出平均检测准确率可达95.15%,证明该算法在扣件检测方面切实可行。

基于IPSO-SVM的地铁车辆牵引控制单元故障诊断

地铁车辆牵引控制单元(TCU)是地铁系统的核心单元之一,准确诊断其故障状态对整个地铁车辆安全运行至关重要.基于数据的故障诊断方法是当前热点方法之一.针对牵引控制单元故障诊断中检测参数多、故障类别多的特点,提出了改进的粒子群优化支持向量机(IPSO-SVM)方法,克服了传统方法存在过拟合、收敛速度慢、易陷入局部最优的缺点.使用UCI机器学习数据库中的5个数据集进行仿真实验,结果表明:IPSO-SVM分类精度高于ICPSO-SVM、PSO-SVM、GA-SVM.进一步将此方法应用于地铁车辆实际数据,同样得到了较好的分类结果,验证了所提方法的有效性.

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换(EWT)和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交(NDQ)算法和奇异值分解(SVD)算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法(IPSO)优化支持向量机(SVM)的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。

顾及邻近点的改进PSO-SVM模型在基坑沉降预测的应用研究

针对SVM模型在基坑沉降预测领域存在参数选择困难和基于单点数据建模的缺点,建立顾及邻近点的PSO-SVM模型。采用PSO-SVM模型进行最优训练样本数量研究,结果表明短期样本的预测效果最优。将邻近点沉降变形值作为影响基坑沉降的因素引入到改进的PSO-SVM模型中,实例表明,在短期样本数据下顾及邻近点的PSO-SVM模型的拟合精度优于PSO-SVM模型,而在中长期样本条件下预测精度不佳。针对该缺点提出组合多尺度一维小波分解函数和柯西分布函数来改进顾及邻近点的PSO-SVM模型,实验结果表明,顾及邻近点的改进PSO-SVM模型可有效解决参数选择困难和单点建模的问题,适用于不同样本数量下的沉降变形预测,具有较高的预测精度。

SVM和改进粒子群算法在冲压成形优化中的应用

针对薄板冲压成形工艺优化中的复杂变量关系,提出了一种新的优化方法。将非线性动态改进惯性权值、非线性动态调整加速因子和引入自适应粒子变异3种策略应用于标准粒子群算法的改进中,基于支持向量机构建了工艺参数与成形质量之间精确的回归模型,并与改进粒子群优化算法相结合,对板料冲压成形工艺参数进行了优化,优化结果有效地控制了起皱和开裂缺陷,提高了板料成形质量。

一种新的粒子群算法优化支持向量机的短期负荷预测

通过研究电力负荷预测中支持向量机的参数优化问题,将改进后新的粒子群算法导入支持向量机参数中,从而建立一种新的电力负荷预测模型(IPSO-SVM)。首先将支持向量机参数编码为粒子初始位置向量,然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数,并针对标准粒子群算法的缺陷进行一定的改进,从而应用于电力负荷的建模与预测,最后通过仿真对比实验来测试它的性能。实验结果表明,这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果,大大减少了训练时间,能够满足电力负荷在线预测要求。

基于EEMD和IPSO的SVM短期光伏出力预测

针对光伏发电短期预测准确性问题,提出一种基于集合经验模态分解(EEMD)和改进粒子群优化算法(IPSO)的支持向量机(SVM)预测模型。该模型选择与预测日具有相同天气类型的历史光伏小时出力数据及相关气象因素作为输入变量,采用EEMD方法将历史光伏小时出力数据分解为一系列相对比较平稳的分量序列,针对不同特征子序列,建立选用不同核函数的SVM模型分别进行短期预测,并采用IPSO对不同SVM模型的参数进行优化。通过建立不同预测模型进行比较分析,验证了本文提出的组合预测模型具有较高的预测精度,对大规模光伏并网电力系统的决策优化调度具有一定的意义和参考价值。

基于优化支持向量机的人脸表情分类

分析了支持向量机(support vector machine,SVM)目前主要存在的问题和参数选择对分类性能的影响后,提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中,在不牺牲泛化性能的前提下,对其参数进行优化,增加了SVM初始化参数的多样性,减慢了局部搜索,促进其在全局范围内的寻优搜索,以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点,并利用由粗到精的策略构造多层SVM人脸表情分类器,在提高准确率的基础上加快分类的速度。实验证明,新算法具有速度快、准确率高的优点。

基于IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。

基于SVM-BOXPLOT的乙烯生产过程异常工况监测与诊断

乙烯作为化工生产的重要原材料,需求量持续增加,但它也是高能耗产业,其生产运行状态直接关系到能效的高低,进而影响企业的经济效益。因此,乙烯生产运行工况的智能识别对节能降耗意义重大。针对直接影响乙烯生产过程能效水平的异常工况智能识别问题,以能够反映乙烯生产能效与能耗的关键指标——乙烯收率、丙烯收率及综合能耗为基础,使用IPSO优化SVM-BOXPLOT的方法对乙烯生产过程进行异常工况智能识别。通过机理分析与数据分析相结合的方法对监测数据降维,用SVM对生产数据进行工况分类,缩小异常识别范围,最后用BOXPLOT进行异常工况识别。将其与在线监测系统相结合应用于某石化企业生产中,所提出的异常工况监测与诊断方案模型精度更高,收敛速度更快,既实现了乙烯生产过程异常工况的监测与诊断,又满足了实际运行工况的工艺要求,保证了异常识别的实时性、准确性。

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.

重载智能驾驶列车空气制动力强弱评估方法研究

“3+0”编组的重载智能驾驶列车在循环空气制动控制过程中,由于空气制动力的大小受到线路条件、车辆载荷、闸瓦摩擦特性、管路差异性和空气制动间歇工作特性等多种因素影响,难以对列车进行准确规划和精准控制,甚至存在行车安全隐患。针对这一问题,文章提出一种基于改进粒子群-支持向量机(Improved Particle Swarm Optimization-Support Vector Machine,IPSO-SVM)的空气制动力强弱预测方法,采用IPSO对SVM的参数进行最优搜索,将影响空气制动力大小的主要因素作为SVM的输入,对空气制动力强弱进行评估,并基于神朔铁路现场实测数据进行了分析验证,验证结果显示文章所提出方法的预测精度可达90%以上,证明了该方法的合理性和有效性,验证结果表明该方法具有良好的实际工程应用价值。

基于IPSO__LS-SVM的国防科研项目概算价格估算研究

为解决国内在估算方法选择和模型性能优化上存在的问题,利用改进的粒子群算法优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的参数选择方法,对国防科研项目概算价格估算进行研究。依据最小二乘支持向量机原理,通过优化其参数选择方法,建立了IPSO__LS-SVM概算价格估算模型,并对其进行模型训练和结果验证。结果表明:IPSO__LS-SVM方法估算精度更高,参数寻优速度更快,其估算模型具有有效性和优越性。

考虑故障行波衰减特性的35kV电缆状态诊断仿真

当电缆发生故障时,故障点会产生行波,行波会在电缆中传播并向两端反射,这种多径效应会导致行波信号产生衰减特性的变化,增加了故障特征提取的难度,降低了状态诊断的准确性。故提出基于故障行波衰减特性的35kV电缆状态诊断。通过差分和变换行波检测和奇异值分解来检测并突出对应电缆故障异常信号的奇异点;对奇异点所在的信号区域展开故障行波衰减特性分析,提取多径效应导致衰减特性下的电缆故障关键特征;利用改进粒子群优化支持向量机参数,并将电缆故障关键特征作为输入,对电缆状态展开准确诊断,从而提供状态诊断的准确性。实验结果表明,所提方法能够成功地检测到35kV电缆故障行波中的奇异点,总体诊断精度达到了97.5%。