基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。

傅里叶变换近红外光谱结合RVM与新聚类算法鉴别灵芝孢子油多样掺假类别

食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)收集12 400~4 000cm^(-1)范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD—DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0.096m^3/min,平均相对误差为2.43%,预测精度有所提高。

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。

基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。

基于ACO和RVM的两相流流型特征选择方法

为提高流型识别的准确率,提出了基于蚁群算法(ant colony optimization,ACO)和相关向量机(relevance vector machine,RVM)封装模式的流型特征选择方法。首先采用小波包变换(wavelet packet transform,WPT)、经验模式分解方法(empirical mode decomposition,EMD)对原始压差波动信号进行分解,分别提取压差波动信号的时域无量纲指标和各分解信号的能量和熵组成融合特征。然后采用ACO和RVM进行特征选择和识别,选出有利于流型识别的特征优化组合。空气-水两相流型识别的实验结果表明:该方法能实现流型特征的有效缩减,经优化组合的最优特征子集识别率达95%以上,与其他方法相比具有更高的识别率。

一种基于改进RVM变压器故障诊断新方法

对比于支持向量机(SVM),相关向量机(RVM)在分类性能方面优势明显.引入核主成分分析(KPCA)和量子粒子群算法(QPSO)对RVM电力变压器故障诊断模型进行优化.设定标准化的变压器主要特征气体含量为输入量,以二叉树的分类方法建立基于KPCA-QPSO-RVM的变压器故障诊断模型.通过实例分析,并且与SVM、RVM方法对比,证明该方法可以取得更优秀的故障诊断精确率,相关向量个数明显少于支持向量个数,诊断速度显著提高.

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。

改进RVM预测海水水质

为对海洋水质污染治理提供科学的理论基础,在统计学习理论框架下提出一种海水水质预测模型。结构上,该模型由数据降维、非线性逼近和参数优化3个功能部分构成。该模型用主成分分析对10种海水水质影响因子进行数据降维,从中提取主成分作为相关向量机的输入;利用相关向量机进行逼近,采用组合核函数替代传统的单一核构建多核映射机制,通过萤火虫算法优化组合核的权重及其模型的相关参数。实验结果表明,针对动态复杂的海洋数据,相关向量机的多核映射机制在预测精度上明显优于单一核的映射机制,进一步从统计分析角度验证了模型的有效性。

基于BA-RVM的医院网络安全量化评估预测

为提高医院网络安全评估预测的精度,采用层次分析法从资产、脆弱性、威胁等3个方面建立医院网络安全量化评价指标体系,同时采用BA算法对RVM模型的核函数宽度进行优化,得到用于医院网络安全量化评估预测的BA-RVM模型。将RVM模型和BA-RVM模型分别应用于山东省某三甲医院的网络安全量化评估预测实例中,通过对比预测结果,验证了提出的BA-RVM模型对医院网络安全量化评估预测具有更高的精度和稳定性。

基于AIC的RVM核参数选择方法及其应用

在采用高斯径向基函数的相关向量机(RVM)回归模型中,核参数与模型性能之间关系复杂,针对如何确定RVM核参数的问题,提出一种基于AIC准则选择RVM的核参数的方法。首先基于Akaike Information Criterion(AIC)思想,得出一种新的统计量Q,同时将Q作为适应度函数;然后利用微分进化算法(Differential Evolution Algorithm,DE)对核参数进行寻优,以此选择确定核参数;最后利用该算法建立RVM回归模型对黄金价格进行短期预测。实验结果表明,该模型较传统方法建立的预测模型具有更高的拟合精度和更好的泛化能力,进一步证明基于AIC准则选择RVM的核参数的方法的可行性和有效性。

基于fast-RVM算法的CACIS型互质阵列DOA估计

针对CACIS型互质阵列的快速、高精度DOA估计问题,提出了一种能够用于复数数据的fast-RVM算法.首先分析了CACIS型阵列结构;其次基于虚拟阵列扩展原理,构建了基于复数数据的稀疏信号模型;最后进行了数据的实数化处理,使其能够适用fast-RVM算法的数据结构.仿真结果表明,本文提出的CACIS型互质阵列DOA估计方法在具有较低运算复杂度的同时,也兼具了较高的DOA估计精度.

基于AFSA-RVM的航班保障服务时间状态估计

为了优化机场现场的交通调度信息,兼顾航班保障服务作业流程中影响因素的不确定性,提出了一种把人工鱼群算法与相关向量机融合的模型用于航班保障服务时间状态估计。通过将历史监测数据与航空领域的经验知识相结合,采用人工鱼群算法动态地调整相关向量机算法中的未知超参数。为了进一步提高服务时间状态估计的准确性,对传统相关向量机算法广泛采用的核函数进行了改进,提出了一种融合了样本数据概率密度分布情况的概率核函数构造方法。选择国内某大型枢纽机场信息系统提供的航班服务时间数据进行仿真,研究结果证明所提出的融合模型能有效应用于航班保障服务时间动态估计且具有较高的估计精度。

基于IWOA-RVM模型的低渗透油田单井产量预测

针对现有单井产液量预测方法的局限性,从地质、压裂、开发等3个方面考虑,选取影响单井产量的12种影响因素,采用相关向量机(RVM)对多因素影响下的单井产量数据进行回归,并利用增强鲸鱼算法(IWOA)对RVM模型进行优化,建立IWOA-RVM的单井产量预测模型。在低渗透油田进行了实例分析和模型对比,结果表明,IWOA-RVM模型可以处理各影响因素之间的非线性、非正态关系,与BP、IWOA-ELM和SVM模型相比,其RMSE最小,MAPE最小,训练时间最短。该模型在预测低渗透油田油井产量上具有一定的科学性和有效性。

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life,RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。

单绕组磁悬浮开关磁阻电机无径向位移传感器控制

为实现单绕组磁悬浮开关磁阻电机的高性能径向位移自检测,研究一种基于自适应相关向量机的无径向位移传感器控制策略。基于相关向量机回归理论,将电机在有位移传感器运行条件下获得的磁链、电流、转角和位移作为样本数据,通过对样本数据的训练与学习,构建电机转子径向位移的非线性相关向量机预测模型。针对电机不同运行状态下的样本特性,提出了优化相关向量机模型参数的自适应算法,以进一步提高预测模型的泛化能力和估计精度。针对三相12/8极实验样机,设计闭环控制系统,开展相关的仿真和实验研究。结果表明所设计控制策略在仿真和实验条件下均能正确地估计出单绕组磁悬浮开关磁阻电机的转子径向位移,且实时性较好、预测精度较高。

相关向量机超参数优化的网络安全态势预测

针对当前网络安全态势预测方法存在的过学习与欠学习、自由参数多、预测精度不高等问题,提出使用一种改进模拟退火法优化的相关向量机模型(PSA-RVM)来解决网络安全态势预测问题。在预测过程中,首先对网络安全态势样本数据进行相空间重构形成训练样本集;然后,利用Powell算法改进模拟退火(PSA)法,并将相关向量机(RVM)嵌入到PSA算法的目标函数计算过程中,优化RVM超参数,以得到学习能力、预测精度提升的网络安全态势预测模型。仿真实例表明,所提方法具有较高的预测精度,平均相对误差(MAPE)和均方根误差(RMSE)分别为0.392 56和0.012 61,均优于Elman和PSO-SVR模型;所提方法能够较好地刻画网络安全态势的变化趋势,有助于网络管理人员把握未来网络安全态势发展趋势,从而提前主动采取相应的网络防御措施。

采用遗传相关向量机的工业机器人焊缝跟踪预测

为了克服传统焊缝跟踪方法精度低的问题,提出基于遗传相关向量机(G-RVM)的工业机器人焊缝跟踪预测方法,其中应用遗传算法对相关向量机参数进行优化。相关向量机通过构建回归函数以解决焊缝跟踪问题。为验证所设计控制器的有效性,进行了焊缝的跟踪实验,并设计了实验条件。实验结果表明,基于遗传相关向量机的焊缝跟踪误差小于支持向量机法所得数据。可见采用遗传相关向量机的控制更能够适应实际焊接过程的变化。

基于微多普勒特征的地面目标分类

轮式履带式车辆目标分类是低分辨雷达地面目标识别研究领域的一个难点。该文基于微多普勒效应原理建立了轮式履带式车辆的雷达回波模型,针对轮式履带式车辆微多普勒调制的不同,提出了一种基于CLEAN算法的特征提取方法,提取了一种描述目标多普勒谱能量分布的能量比特征。基于实测数据使用相关向量机(RVM)和支持向量机(SVM)的识别结果表明该特征具有较好的识别性能,同时对目标速度具有稳健性。