基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900~1200℃、应变速率为0.01~10 s^(-1)条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明:Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。

L-Fuzzy向量空间的同构

证明在双诱导映射及逆映射下 L- Fuzzy向量空间的像和逆像仍是 L- Fuzzy向量空间 ,给出L- Fuzzy向量空间同构的定义。

相空间重构与改进SMA优化SVR的网络流量预测

为提高网络流量预测精度,提出结合相空间重构与改进黏菌优化支持向量回归的预测模型。为解决黏菌算法收敛慢、易得局部最优的不足,引入3种形态对立学习对种群进行初始化,提高种群多样性;利用非线性反馈因子更新机制,均衡全局搜索与局部开发;设计柯西-高斯混合变异对最优解变异,扩展搜索空间,避免陷入局部最优。利用改进黏菌算法对支持向量回归优化调参,有效解决超参初值敏感缺陷,提高学习精度和收敛速度,以此构建网络流量预测模型。实验结果表明,改进模型预测误差更小,能够实现高精度和实时性预测要求。

基于Arrhenius与机器学习的TC21钛合金本构模型研究

目的比较Arrhenius方程和机器学习方法在TC21钛合金本构模型建立中的优劣,为TC21钛合金在实际工程应用中的性能预测、优化设计和安全评估提供理论指导。方法通过使用Gleeble-3500热模拟机,获取了锻态TC21钛合金在不同温度和应变速率下的真实应力应变数据。基于实验结果,分别采用Arrhenius方法和支持向量机方法建立了相应的本构模型。相较于基于热力学原理的Arrhenius本构方程,采用支持向量机方法的本构模型更为先进。该模型能够从有限的数据中深入挖掘材料性能与温度、应变速率之间的复杂非线性关系,从而更准确地预测TC21钛合金在不同条件下的力学性能。为了全面评估这2种模型的预测准确性,计算了它们的模型相关系数和均方根误差。结果研究结果表明,基于机器学习的本构模型在预测TC21钛合金的应力应变行为方面展现出显著的优势。其相关系数高达0.9774,远高于Arrhenius模型的0.9317。在评估预测精度的均方根误差上,机器学习方法也表现出色,仅为5.49,相较于Arrhenius模型的20.67显著降低。结论利用机器学习方法建立的TC21钛合金本构模型具有更高的精度和可靠性。在实际工程应用中,这将为钛合金的性能预测、优化设计和安全评估提供更为准确的科学依据。

L-fuzzy向量空间的L-fuzzy线性映射

给出L-fuzzy向量空间的L-fuzzy线性映射等概念,并给出了它的一些等价刻画。

支持向量机在富氮含能离子盐撞击感度定量构效关系研究中的应用

为了研究富氮含能离子盐的撞击感度(IS)与分子结构的关系,在M06-2X/6-311++G(3df,3pd)理论水平下对21种含能离子盐进行了构型优化和量子化学参数计算,并以IS为目标值,以最高占据轨道能量(E_(HOMO))、最低空轨道能量(E_(LUMO))、偶极矩(μ)、极化率(α)、氧平衡(OB)、核独立化学位移(NICS)、可利用自由体积(ΔV)、静电势方差(σ^(2))、电离势(I)和电子亲和势(A)作为描述符,采用主成分分析(PCA)方法结合支持向量机(SVM)回归算法,建立了相关性较好的构效关系(QSPR)模型(相关系数和均方根误差分别为0.98和0.11)。采用该模型对新设计的6种新型富氮含能离子盐的IS进行预测,发现其中基于氮(-5(-1氢-四唑-5-基)-2氢-1,2,3-三唑-4-基)-4-硝基-呋咱-3-胺(HTANFT)设计的三种含能离子盐的撞击感度(依次为18,17,35 J)比传统炸药TNT(15 J)还要钝感,表明基于HTANFT设计的三种含能离子盐是潜在的理想含能材料。

面向空调管路布置的空间向量搜索算法

针对构型要求复杂且经验类规则难以量化的空调压缩机管路布置问题,文章提出一种基于逃逸法的向量搜索管路布置算法。该算法分为预处理和搜索2个过程。在预处理过程中,使用三维网格记录管路布置空间信息,根据管路直径确定网格大小。对于有无构型要求的2种管路,采用不同形状的单元格来划分网格,保证单元格精度满足要求,减少算法运算量。在搜索过程中,有构型要求管路采用竖直向量圆周搜索,无构型要求管路采用竖直水平向量交替搜索,确保走管路径符合空调管路布置规范要求。通过算例分析验证了该算法的有效性,可为突破复杂约束条件下空调器管路自动布管技术提供算法支撑。

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段,文中采用相空间重构和支持向量机的组合,提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹,通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标,以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量,实现自动分类识别。算例表明该方法计算量少,正确率高,所需训练样本少,可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。

构建支持向量机-偏最小二乘法为药物构效关系建模

为研究药物构效关系积累样本数据的过程中,需为小样本建模。此时较易造成过拟合,影响模型的预测性能和稳定性。为此可用偏最小二乘(PLS)法从样本数据中成对地提取最优成分,消除自变量间的复共线性,并有效的降维,然后应用最小二乘支持向量机对成对成分进行非线性回归,并以基于误差修正的策略调整,使之更有效地表达自、因变量间的非线性关系。由此构建为EB-LSSVM-PLS算法,所建模型的预报精度高,稳定性良好。将其应用于新型黄烷酮类衍生物的QSAR建模,效果令人满意,其泛化性能优于其它方法。

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空间重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题,以径向基核函数作为核函数,采用混沌变尺度优化方法进行参数寻优.实例表明,该方法优于SVM和人工神经网络(ANN)预报方法,且具有良好的泛化推广能力.

任意图的同构判定算法:特征向量法

在构建有效描述任意图邻接矩阵的基础上,分别计算2个矩阵的特征值所对应的特征向量,并依据它们的极大无关组寻找可能的同构对应关系.通过逐一考查全体特征值,实现图同构的判定并确定同构图的顶点对应关系.随着判定规模增大及图对称性增强,与已有方法相比,文中方法具有更高的同构判定效率.实验结果表明,在多数情况下该方法是快捷有效的.

相空间重构和支持向量机结合的电力负荷预测模型研究

风电机组集中并网会对电网安全稳定运行带来影响,为了合理规划各类供电机组高效运行,对电力负荷预测的精度提出了更高的要求。电网负荷时间序列具有混沌特性,普通预测方法难以描述其特性和内在规律。利用混沌相空间重构理论对负荷时间序列进行研究,用互信息法和CAO方法分别求得时间延迟和嵌入维数,并由此得到系统最大李雅普诺夫指数,证明其具有混沌特性。然后根据时间延迟和嵌入维数对样本数据相空间重构,在此基础上利用支持向量回归算法(PSR-SVR)对电力负荷进行预测,支持向量回归采用网格寻优确定参数。最后将预测的结果同时间序列模型和BP神经网络模型的预测结果进行对比,结果表明,这是一种误差小,精度高的电网负荷预测方法器。

基于相空间重构和支持向量机的矿井涌水量预测

针对矿井涌水量典型的非线性特征,应用相空间重构与支持向量机耦合方法进行预测。将矿井涌水量的时间序列作相空间重构,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。实例计算表明:与其他维数相比,当嵌入维数为4时,矿井涌水量的预测精度最高,说明引入最小嵌入维数是正确的。为检验该方法预测的可靠性,分别采用最小二乘法、指数函数法、相空间重构与支持向量机耦合法对实际矿井涌水量观测值进行回归预测。结果表明,非线性方法的预测效果比线性方法更佳。不同核函数预测结果证实RBF是最优的。

小波支持向量机与相空间重构结合的短期负荷预测研究

提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型。使用小波核函数(WKF)构建相应的WSVM,并且用云遗传算法(CGA)对相关参数进行优化。在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入。该方法不考虑气象和节假日等条件,只使用历史负荷数据。仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值。

基于三角形法向量的离散点三维构网方法

构建平面不规则三角网的算法已经很成熟,但普遍的算法都是基于某一投影平面,不能满足三维空间离散点的构网要求。本文在研究二维构网生长算法及现有空间三维构网方法的基础上,提出利用空间三角形的法向量实现三维构网,详细讨论该算法的细节问题,并探讨提高构网速度的方法。通过实验证明该算法能快速、有效、稳定地对复杂物体表面离散点构建空间三角网,达到建模效果,同时也体现出其应用范围的广阔性。

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。

基于相空间重构的支持向量机的风电场风速预测

风力发电具有波动性、间歇性和随机性的特点,风力发电的并网给电力系统的安全运行带来了严峻挑战,因此,实现风电场风速的预测具有重要意义。支持向量机是发展比较好的一种常用的风速预测方法,但是由于其输入特征对预测的精度影响比较大,所以特征的选择一直是人们所关注的问题。文章提出采用相空间重构理论对风电场风速进行预测,并通过与使用自然特征作为输入特征的预测方法作比较,验证了基于相空间重构的支持向量机的预测方法的优越性。

基于相空间重构和支持向量机的三电平逆变器故障诊断技术

针对三电平逆变器交叉两桥臂的两只功率管同时开路故障(非典型故障)诊断问题,提出一种基于相空间重构和支持向量机(SVM)的故障诊断方法。该方法以三相电流为检测信号,为降低特征向量的维数,对三相电流进行了Park变换,然后采用相空间重构技术,对d、q轴电流分别进行重构,得到不同形状、大小和方向的电流轨迹图形,借助图像处理技术从中提取出故障特征向量,将其作为学习样本,在SVM中训练,使分类器能够建立不同特征向量和故障类型的映射关系,实现对二极管中点箝位型(NPC)三电平逆变器的故障诊断。仿真结果表明,该方法能够准确地定位故障元,诊断精度高。

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。