基于P-SVM的绿色供应商评价模型

首先根据绿色供应链管理理论的内涵和环境管理标准,对传统供应商评价体系进行修正,增加了反映绿色信息的若干指标。在分析标准支持向量机模型所面临问题的基础上,引入了一种新的支持向量机模型方法—P-SVM,进而以P-SVM为工具,采用支持向量机分类的1-v-1策略建立了绿色供应商评价模型。数据仿真显示该模型同标准支持向量机模型相比不仅具有更好的推广能力,而且具备较好的特征变量自动选取功能。

基于P-SVM的区域专利申请量预测模型研究

运用P-SVM和微分进化算法相结合的方法对区域专利申请量进行预测。其中，充分考虑了经费及人力投入、专利倾向、富裕程度和外商投资等因素的影响，将这些影响因素纳入区域专利申请量预测中，并运用微分进化算法对参数进行优选。数据仿真显示具有良好特征抽取功能的P-SVM预测方法比核主成分分析的最小二乘支持向量机（KPCA-LS-SVM）岭回归（Ridge Regression，RR）有更高的预测精度和推广能力。实验表明该方法对我国区域专利申请量进行预测是可行和有效的，为区域自主创新能力预测和评价提供了一个良好的研究工具。

基于P-SVM的供应商选择研究(英文)

供应商选择是一个多影响因素、多层次的决策问题。为了选择很好的供应商,需要对影响因素进行特征选择和对供应商进行有效的分类。目前有效的同时解决这两个问题的方法比较欠缺。将P-SVM方法应用于供应商选择模型中,其中微分进化算法和遗传算法应用于参数的优选。试验结果显示在P-SVM参数优选上,微分进化算法比遗传算法更具有稳定性,数据仿真显示P-SVM方法比标准支持向量机(SVM)方法有更高的分类精度和推广能力。

改进的P-SVM支持向量机与遥感数据分类

本文介绍了将P-SVM算法引入多光谱/高分辨率遥感数据的分类,并且展示了卫星ASTER和航空ADS40数字影像分类的技术过程和结果验证。结果表明:P-SVM方法的分类精度不低于SVM,并减少了时耗。

基于先验知识下支持向量机P-SVM的分类算法

支持向量机在分类算法原理中的顺次最小优化算法SMO一般比传统的块算法和固定工作样本集的算法具有更好的时间和空间复杂性,但是由于在实际应用领域中对样本的需求量很大,使得对样本的标记是应用中耗时耗力的工作.本文提出了基于先验知识下的支持向量机,通过引入先验信息量而减少所需样本的数量,同时给出了相应的P-SMO算法.分类应用背景利用中医证候数据,通过专家知识提供的证候知识规则,对训练样本集进行置信度的计算,然后使用P-SMO算法训练出P-SVM,实验结果表明分类效率有较大的提高.

一种求解二阶常微分方程近似解的P-SVM方法

微分方程的计算求解在计算机工程上有重要的理论意义和应用价值。针对传统数值解法计算复杂度高、解的形式离散等问题,本文基于微分方程的回归方程观点与解法,应用统计回归方法求解二阶常微分方程,并给出基于中心支持向量机(proximal support vector machine,P-SVM)在常微分方程的初值和边值问题上的近似解求法。通过在目标优化函数中添加偏置项,构建P-SVM回归模型,从而避免大规模求解线性方程组,得到结构简洁的最优解表达式。模型通过最小化训练样本点的均方误差和,在保证精度的同时,有效提高了近似解的计算速度。此外,形式简洁固定的解析解表达式也便于在实际应用中进行定性分析和性质研究。数值试验结果验证了P-SVM方法是一种高效可行的常微分方程求解方法。

基于P-SVM的供应链企业可靠性预警研究

供应链企业可靠性是供应链可靠性的重要问题之一.在国内外研究文献综述基础上提出了供应链企业节点可靠性的初步预警指标.而后以此为基础,利用P-SVM方法完成了指标体系的构建及供应链企业可靠性预警.

基于P-L双重特征提取的PEMFC系统故障诊断方法

针对质子交换膜燃料电池系统故障诊断问题,提出基于P-L双重特征提取的故障诊断方法。使用P-L双重特征提取对预处理后的样本数据进行特征提取,通过冗余变量剔除与二次特征提取,最大程度保留分类特征并有效降低样本数据维度。利用二叉树多类支持向量机与极限学习机对二维故障特征向量进行分类实现故障诊断。通过实例验证,对比线性判别分析的特征提取效果,P-L双重特征提取可使相同分类器测试集诊断准确率提高21.19%,诊断准确率达99.27%,实现了PEMFC系统膜干、氢气供应故障的精准快速诊断。

基于BOTDR监测数据的光纤复合海底电缆状态预测

为了判断光纤复合海底电缆状态的发展趋势,及时发出故障预警信号,提出了基于加权最小二乘支持向量机(WLS-SVM)的海缆BOTDR监测数据多步预测模型。利用Birge-Massart策略计算实测数据小波分解后不同尺度上的阈值,使用软阈值法消除随机噪声对预测准确性的影响;在混沌序列分析的基础上,采用G-P算法进行相空间重构,确定最佳嵌入维数,同时验证频移时间序列的混沌特性;将重构相空间中的相点馈入到WLSSVM模型完成递归多步预测;最后对海缆两个典型位置处测点进行了频移6步预测。结果表明,递归6步预测的最大平均相对误差为1.80%,具有比标准支持向量机预测结果更高的预测精度和更好的适用性。

基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统

针对医用输液容器组合盖在生产制造中出现的黑点、毛发、气泡等缺陷问题,设计了基于逆向P-M扩散的医用组合盖缺陷检测系统。首先设计了机械执行、电气控制、图像采集系统,然后采用逆向P-M扩散增强缺陷区域,通过差分后二值化提取缺陷区域,并进行图像滤波,接着利用SVM支持向量机对缺陷与非缺陷区域进行分类,通过交叉验证法自动选择最佳分类参数,解决了医用组合盖表面纹理对缺陷检测的干扰,实现了医用组合盖缺陷检测功能,有效提高了分类器的性能。实验结果表明,该方法要求训练样本少,适用于不同组合盖缺陷类型检测和检测环境,准确率95%以上。

Modified L-P小波最小二乘支持向量机及在动态系统辩识中的应用

为了提高动态系统的辩识品质,提出了一种新的可调带宽多维支持向量小波核函数—modified L-P小波核函数。理论上证明了这种核函数是满足平移不变核定理的支持向量核函数。由于该核函数具有平移伸缩正交性,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提升了支持向量机的泛化性能。应用Modified L-P小波核作为最小二乘支持向量机的核函数,可以简化计算复杂性,提高学习效率。回归实验和动态系统辩识的仿真结果表明,Modified L-P小波核函数最小二乘支持向量机的建模和逼近能力优于基于L-P小波核函数或高斯核函数最小二乘支持向量机,更适合工程应用。

高炉铁水硅含量序列的支持向量机预测模型

基于包钢6号高炉的在线生产数据,首先建立铁水硅含量序列的自回归AR(p)模型,分析其滞后阶数;然后对硅含量的自回归项及影响因素进行主成分分析,找到多元变量相互独立的有效信息作为输入变量;最后建立铁水硅含量的支持向量机回归预测模型。该模型对炉温预测的准确度达到88.2%,对在线监测高炉炉温具有一定的实用价值。

一种用于大规模文本分类的特征表示方法

随着网络和信息技术的迅猛发展,文本分类成为处理和组织大量文档数据的关键技术。文本的特征表示严重地限制了文本分类性能的提升。以经典的向量空间模型和tf-idf权值计算公式为基础,提出了以应用于文本分类为目的的权值改进公式p-idf公式。在比较了贝叶斯、K近邻、神经网络和支持向量机四种典型的文本分类器的基础上,采用支持向量机分类器搭建了一个文本分类试验系统。经过科学的试验比较了tf-idf、p-idf、LTC三种权值公式在文本分类系统中对分类器性能的影响,证实了所提出的p-idf公式的合理性和有效性。

支持向量回归方法预报偶氮染料最大吸收波长

采用支持向量机方法建立了适用于偶氮染料的owfp p值 (ZINDO/S方法中用来调整分子中∏轨道重叠程度的权重因子 )与其分子结构参数间的定量关系 ,用留一法预报了该类染料的owfp p值 ,相对误差绝对值平均为 4 8% .利用Hyperchem软件计算该类染料的最大吸收波长时 ,将计算机预报的owfp p值代替软件中默认的值 0 5 85 ,结果表明 ,计算所得最大吸收波长的相对误差绝对值平均为 3 8% ,因此 ,本工作所用方法为该类染料提供了一种计算机预报最大吸收波长的有效方法 ,可以用作该类染料的计算机辅助分子设计 .

p范数正则化支持向量机分类算法

L2范数罚支持向量机(Support vector machine,SVM)是目前使用最广泛的分类器算法之一,同时实现特征选择和分类器构造的L1范数和L0范数罚SVM算法也已经提出.但是,这两个方法中,正则化阶次都是事先给定,预设p=2或p=1.而我们的实验研究显示,对于不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率.本文提出p范数正则化SVM分类器算法设计新模式,正则化范数的阶次p可取范围为0<p≤2.使用网格法选择模型参数值,使用迭代再权方法求解分类器目标函数,找出最小分类预测误差的模型参数值.在实际数据集上的实验结果验证了提出算法能够同时实现分类预测和特征选择,性能优于L2范数罚SVM,L1范数罚SVM和L0范数罚SVM.

港口国监控选船新模型研究

针对已有PSC选船模型采用层次分析法、模糊综合评价方法和BP神经网络等方法存在的诸如不能反映各风险因素之间相关性、专家主观因素带来偏差,样本需求量过大和收敛速度慢等问题,以2009/16/EC巴黎备忘录目标船选船机制NIR为研究对象,提出一种新的基于支持向量机理论的PSC选船模型,并选取巴黎备忘录"THETIS"检船数据库的部分船舶信息进行实证分析。结果表明,使用基于支持向量机理论的PSC选船模型测试的船舶样本结果与其公布的船舶实际情况一致,使用该算法可十分有效地在样本少且检查资源有限时对船舶进行快速分类,对PSC选船的实际操作具有实用价值。

结合LBP直方图和SVM的视频火焰检测

根据火焰独特的纹理特征,提出以块的LBP直方图特征为主并结合其他动、静态特征的火焰识别算法。首先用帧差法和RGB颜色高斯模型进行运动颜色检测,得到疑似火焰区域;再提取其红色分量统计特征、小波高频能量和LBP直方图特征;最后将特征向量输入SVM分类器进行火焰识别。实验证明,该算法误报率低、鲁棒性强,同时具有实时性,火焰视频检测率可达到96.2%。

基于支持向量机的地震预警震级快速估算研究

以更准确的估算地震预警(earthquake early warning,EEW)震级为目标,利用P波触发后3 s内的日本K-net强震数据,选取幅值参数、周期参数、能量参数、衍生参数这4大类共12个P波特征参数作为输入,构建基于支持向量机震级预测模型(support vector machine for earthquake magnitude estimation,SVM-M)。结果表明,比较传统的震级估算“τc方法”与“P d方法”,建立的SVM-M模型震级预测误差明显减小且不受震中距变化的影响,小震高估问题得到明显改善。2016年日本熊本地震主震(M j7.3)与2008年中国汶川地震主震(M s8.0)的震例分析结果表明,3 s时间窗不能匹配震源破裂全过程而出现了一定程度的震级低估,但仍可在P波触发后短时间窗内明确是大地震事件。建立的SVM-M模型可应用于地震预警震级快速估算。

基于SCE-UA/SVM的大坝变形预测模型研究

为提高大坝变形预测模型的精度,采用复合形交叉进化算法(SCE-UA),以均方根差最小为目标来优化支持向量机(SVM)的参数,从而建立了基于SCE-UA/SVM的大坝变形预测模型,并结合实际监测数据,对比分析了该模型与统计模型的优劣。结果表明,该模型能够提高大坝变形的预测精度,为大坝变形预测提供了一种新的思路。

基于支持向量机的现地地震预警地震动峰值预测

以0.1~10Hz带通滤波后三分向矢量合成地震动峰值PGA与PGV为预测目标参数,利用日本K-net强震台网P波触发后3s数据,基于人工智能中的经典机器学习方法-支持向量机,选取加速度幅值Pa、速度幅值Pv、位移幅值Pd、傅里叶谱幅值AMmax、速度平方积分IV2、破坏烈度DI、累积绝对速度CAV、阿里亚斯烈度Ia这8种特征参数构建地震动峰值预测模型。结果表明,对比常规的Pd预测模型,建立的支持向量机PGA与PGV预测模型,在测试数据集及随机选取2次震例数据集上计算得到的预测值与实测值更趋近1∶1比例关系,且PGA与PGV的预测值误差不受震中距变化的影响,PGA与PGV预测时的低值高估与高值低估现象也得到了改善。构建的支持向量机预测模型可用于现地地震预警地震动峰值、即仪器地震烈度的预测。