基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法

为了提高SVM分类精度与泛化能力,故提出一种基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法.用量子粒子群算法(quantum particle swarm optimization,QPSO)对SVM进行惩罚因子和核函数参数优化,并针对QPSO算法出现的早熟收敛的问题,采用Levy飞行策略与自适应变异因子对其进行修正.实验仿真结果表明,与其他的智能优化算法相比,所提出的模型具有较高的分类性能和预测精度.

基于QPSO-SVM与DGA五边形解释工具的变压器故障诊断方法

鉴于变压器油中溶解气体分析(dissolved gas analysis,DGA)五边形解释工具存在依赖现场经验、准确率较低和分类边界过于绝对化等问题,提出了基于量子行为粒子群优化支持向量机(quantum-behaved particle swarm optimization support vector machine QPSO-SVM)与DGA五边形解释工具的变压器故障诊断方法。首先,基于变压器油中溶解气体数据,计算了Duval Pentagon1特征气体相对百分比的质心坐标和Mansour Pentagon特征气体相对百分比的质心坐标。其次,构建了QPSO-SVM-Duval Pentagon 1和QPSO-SVMMansour Pentagon变压器故障诊断模型。最后,对不同变压器故障诊断方法进行对比分析。仿真结果表明,QPSO-SVM-Duval Pentagon 1和QPSO-SVM-Mansour Pentagon变压器故障故障诊断方法准确率高于95.00%;QPSO-SVM-Duval Pentagon 1与QPSO-SVM-Mansour Pentagon相比准确率高、计算复杂;所提出方法与常规的DGA五边形解释工具和传统QPSO-SVM变压器故障诊断方法相比,变压器故障诊断准确率更高。

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。

基于粒子群优化支持向量机的火电厂主汽温预测模型

针对支持向量机在大规模训练中算法收敛速度慢、复杂程度高等问题,采用量子粒子群算法选取最小二乘支持向量机的模型参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和泛化能力.实验结果表明,该算法具有容易实现、节省计算成本、提高收敛速度等优点,应用于火电锅炉主汽温预测模型,取得良好的效果.

一种混合核函数SVM建模方法及其应用

为了提高模型的泛化能力和精度,提出了一种基于混合核函数的支持向量机(SVM)建模方法。所提出的混合核函数由径向基函数和多项式函数加权组合而成,克服了支持向量机模型中单个核函数的局限性。并利用量子粒子群算法(QPS0)对惩罚系数、核参数以及混合权重系数进行综合寻优,求取最优化参数组合,从而提高模型的精度。采用锌湿法冶炼净化过程现场数据对建模的方法进行了测试,结果表明,所提出的混合核函数支持向量机模型具有较好的泛化性能和预测精度,预测结果满足现场工艺生产的要求。

火炮动力后坐试验台波形发生器优化设计研究

针对火炮动力后坐试验台波形发生器设计问题,基于ABAQUS建立火炮动力后坐试验台有限元模型;通过橡胶试验,选Arruda-Boyce模型作为波形发生器材料本构模型;以火炮模拟试验与实弹射击时后坐动态特性的平均相对误差为试验指标值,基于正交设计法建立初始样本数据,采用QPSO-LS-SVM算法对波形发生器进行优化设计。该研究将为我军火炮动力后坐试验台的设计研制提供理论参考。

基于LS-SVM和AR模型的油液光谱数据预处理研究

油液光谱分析技术可以检测出机械设备润滑油中各种元素的成分和浓度,但光谱分析数据受噪声、补油和换油的影响严重,不能很好地反映出机械设备的磨损情况。对光谱数据进行提升小波分解,通过分析细节信号,检测出野点;用LS-SVM对趋势项建模,对各层细节信息建立AR模型,分别预测出补、换油后及野点处的值并进行叠加;为提高预测精度,用QPSO对LS-SVM的参数进行了优化。结果表明:该方法能有效修正原始数据,从而提高对机械设备磨损状态监测和故障诊断的精度。

基于QPSO参数优化的WLS-SVM短期负荷预测

为了解决负荷非线性特性导致的预测模型难以准确建立的问题,提出一种基于量子粒子群优化(QPSO)参数选择的加权最小二乘支持向量机(WLS-SVM)的短期负荷预测模型和方法。首先,利用量子粒子群优化方法来对模型进行训练,从而选出最优超参数。其次,采用具有良好泛化性能的WLS-SVM回归模型弥补损失的鲁棒性。文中以黑龙江电网短期负荷预测为例,将该方法与一般LS-SVM模型的预测结果进行了对比分析,结果表明此方法能明显提高预测精度。

基于QPSO的属性约简在NIDS中的应用研究

支持向量机作为一种优良的分类算法应用在网络入侵检测系统中,但是训练时间过长是它的主要缺陷.文中提出了基于量子粒子群优化的属性约简和支持向量机(SVM)的入侵检测方法,利用量子粒子群优化的属性约简算法对训练样本集进行属性约简,剔除了对入侵检测结果影响较小的冗余特征,从而使入侵检测系统在获取用户特征的时间减少,整个入侵检测系统的性能得到提高.实验结果表明,该方法是有效的.

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力。该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性。利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证。研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求。

水中溶解氧含量的优化WLS-SVM预测方法

研究溶解氧含量预测的精确度与鲁棒性问题,为水质评价和水处理控制提供科学依据。探讨了水中溶解氧的影响因素及其作用规律,分析了现有预测算法的不足,在此基础上提出了一种新的溶解氧含量预测方法。从样本集中随机抽取数据构成训练集和测试集,以网格搜索法确定WLS-SVM的参数寻优范围,再用QPSO与留一交叉验证组合算法找出其最优值,以此建立WLS-SVM回归模型进行水中溶解氧含量的预测。应用该方法与LS-SVMlab工具箱函数分别建模进行对比测试,结果表明其预测精确度和鲁棒性都更好。

基于近红外光谱和QPSO-LSSVM模型的玉米脂肪测定

为了建立一个精确、稳健的玉米脂肪近红外光谱定量模型,提出了以全波段光谱建立最小二乘支持向量机(LS-SVM)模型、用量子行为粒子群优化(QPSO)算法结合留一交叉验证(LOO-CV)规则优化模型参数的新方法,并用76份样本数据进行了验证。与常用的偏最小二乘(PLS)校正模型相比,当采用原光谱数据建模预测时,相关系数(Rp)和相对分析误差(RPD)分别由0.9248、2.43升至0.9801、4.38以上,预测均方根误差(RMSEP)从0.0624降到0.0311以下;若将光谱进行多元散射校正(MSC)预处理之后再建模预测,则Rp和RPD分别由0.9618、3.95升至0.9934、8.11以上,RMSEP从0.0395降到0.0215以下。试验结果表明,以全波段近红外光谱建立的QPSO-LSSVM校正模型完全可用于玉米脂肪的实际检测。

基于Volterra级数和SVM的旋转机械故障诊断方法研究

提出一种基于Volterra级数和支持向量机的旋转机械故障诊断方法。该方法首先利用量子粒子群优化算法辨识出正常、转子碰摩、转子裂纹、基座松动四种状态下的Volterra核,分别利用一阶Volterra核和前三阶Volterra核作为特征向量,然后将这些特征向量输入到SVM(support vector machine)分类器中进行识别。实验结果表明,提出的方法是有效的,当利用一阶Volterra核作为特征向量难以区分故障时,可以利用更高阶的Volterra核作为特征向量来区别,这些体现出所提出方法在旋转机械故障诊断中独特的优势。

计算机超频结果测量值的预测算法

针对计算机超频结果测量值的估计问题,提出一种优化的LS-SVM回归模型解决方案;首先对CPU和显示卡超频的参数设置及主要结果进行了分析,并探讨了常用预测算法的不足,据此选择LS-SVM回归模型进行超频结果测量值的预测;然后设计了一种LCQPSO算法寻找模型参数的最优值,使模型的预测精度和泛化能力得以提高;经采集AMD FX-8350CPU的50组超频样本验证,该算法的预测误差比RBF神经网络降低了80%,表明了该算法的有效性。

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。

铁路扣件图像检测中的RBF-SVM模型优化

在开发的铁路扣件检测系统中,RBF-SVM被作为扣件图像分类识别的分类器。核参数的选择是RBF-SVM模型优化研究中的重要问题,将量子粒子群算法应用于参数的优化选择,在(cγ)参数可调范围内产生初始种群,将种群中的个体作为RBF-SVM的参数进行学习;经过多次迭代获得最佳参数对(cγ),并将该参数对作为RBF-SVM的核参数训练支持向量机。实验表明,QPSO的性能优于传统的PSO算法,该方法在解决支持向量机优化方面表现出了高效的收敛性和稳定性,并且在该方法的基础上形成的铁路扣件检测算法是切实可行的。

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error,MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明,应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。

基于QPSO—SVM算法的PDS变送器温度补偿方法

由于PDS压力变送器[1]的测量数据会随着温度的变化而发生温度漂移,文中提出了量子粒子群[2](QPSO)算法和支持向量机[3](SVM)算法相结合的方法对压力变送器的输出数据进行补偿处理,通过QPSO算法优化SVM参数C、δ2,然后利用SVM的函数拟合建立补偿模型;通过分析工程实验结果,该方法在全局收敛性、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性。

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.