Enhancing XRF sensor-based sorting of porphyritic copper ore using particle swarm optimization-support vector machine(PSO-SVM)algorithm

X-ray fluorescence(XRF)sensor-based ore sorting enables efficient beneficiation of heterogeneous ores,while intraparticle heterogeneity can cause significant grade detection errors,leading to misclassifications and hindering widespread technology adoption.Accurate classification models are crucial to determine if actual grade exceeds the sorting threshold using localized XRF signals.Previous studies mainly used linear regression(LR)algorithms including simple linear regression(SLR),multivariable linear regression(MLR),and multivariable linear regression with interaction(MLRI)but often fell short attaining satisfactory results.This study employed the particle swarm optimization support vector machine(PSO-SVM)algorithm for sorting porphyritic copper ore pebble.Lab-scale results showed PSO-SVM out-performed LR and raw data(RD)models and the significant interaction effects among input features was observed.Despite poor input data quality,PSO-SVM demonstrated exceptional capabilities.Lab-scale sorting achieved 93.0%accuracy,0.24%grade increase,84.94%recovery rate,57.02%discard rate,and a remarkable 39.62 yuan/t net smelter return(NSR)increase compared to no sorting.These improvements were achieved by the PSO-SVM model with optimized input combinations and highest data quality(T=10,T is XRF testing times).The unsuitability of LR methods for XRF sensor-based sorting of investigated sample is illustrated.Input element selection and mineral association analysis elucidate element importance and influence mechanisms.

采用改进遗传算法优化LS-SVM逆系统的外转子无铁心无轴承永磁同步发电机解耦控制

为了实现外转子无铁心无轴承永磁同步发电机(outer rotor coreless bearingless permanent magnet synchronous generator,ORC-BPMSG)的精确控制,提出一种基于改进遗传算法(improved genetic algorithm,IGA)优化最小二乘支持向量机(least square support vector machine,LS-SVM)逆系统的解耦控制策略。首先,基于ORC-BPMSG的结构及工作原理,推导其数学模型,并分析其可逆性。其次,建立LS-SVM回归方程,并采用IGA优化LS-SVM的性能参数,从而训练得到逆系统。然后,将逆系统与原系统串接,形成伪线性系统,实现了ORC-BPMSG的线性化和解耦。最后,将提出的控制方法与传统LS-SVM逆系统控制方法进行对比仿真和实验。仿真和实验结果表明:所提出的控制策略可以较好地实现ORC-BPMSG输出电压和悬浮力、以及悬浮力之间的解耦控制。

基于改进CNN-SVM的光伏组件红外图像故障诊断方法

为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取的同时降低模型参数量;利用数据增强和批归一化技术提高模型泛化能力,降低模型过拟合。其次采用非线性支持向量机SVM代替传统CNN模型中的Softmax分类器,以提高光伏组件红外图像故障识别准确率。最后采用Infrared Solar Modules数据集对所提模型进行了实例验证。结果表明:与传统CNN模型相比,改进CNN-SVM模型故障诊断准确率高,对各故障类型的识别能力强。

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。

基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。

基于SVM的干线输气管道泄漏压降速率信号识别

为解决压缩机抽吸或截断阀截断形成的压降信号导致截断阀发生误关断,以及小孔泄漏因管道压降不显著导致截断阀不动作的问题,以某输气干线为对象建立仿真模型,获取压缩机抽吸、截断阀紧急截断及管道泄漏3类不同工况下的300组压降信号,根据对点检测法计算出压降信号的压降速率值;以奇异值分解(SVD)法和极差归一化方法提取压降速率信号特征,采用支持向量机(SVM)法识别不同压降速率特征值信号,获取所对应的工况类型;针对SVM模型中的核函数参数与惩罚因子设置不合理,影响算法识别准确性的问题,采用教与学优化算法(TLBO)优化核函数参数与惩罚因子,建立干线输气管道泄漏信号智能识别的TLBO-SVM模型;应用该模型,分类识别该管道在3类工况下的300组模拟压降速率信号。结果表明:该模型对3类不同工况下压降速率信号的识别准确率为92.22%;对泄漏口径为50~125 mm,压降速率范围为0.01~0.07 MPa/min的小孔泄漏,识别准确率为96.67%。针对某干线管道的实际泄漏压降速率信号,TLBO-SVM识别到的准确率为100%。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合,增强测试效果,但少有学者将其运用于测试数据生成方面.为进一步提高测试数据生成效率,提出一种结合SVM(support vector machine)和XGBoost(extreme gradient boosting)的链式模型,并基于此模型借助遗传算法实现多路径测试数据生成.首先,利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost),通过子模型的预测精度值筛选最优子模型,并根据路径节点顺序将其依次链接,形成一个链式模型C-SVMXGBoost(chained SVM and XGBoost).在利用遗传算法生成测试用例时,使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径),寻找预测路径与目标路径相似的路径集,对存在相似路径集的预测路径进行插桩验证,获取精确路径,计算适应度值.在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用,生成覆盖目标路径的测试数据.最后,保留进化生成中产生的适应度较高的个体,更新链式模型C-SVMXGBoost,进一步提高测试效率.实验表明,C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题,可提高测试效率.并且通过与已有经典方法相比,所提方法在覆盖率上提高可达15%,平均进化代数也有所降低,在较大规模程序上其降低百分比可达65%.

基于GA-SVM算法的无线局域网络入侵信号检测方法

常规的无线局域网络入侵信号检测节点多为独立式设定,检测效率较低,导致入侵信号检测误检率较高,为此提出对基于GA-SVM算法的无线局域网络入侵信号检测方法。该方法首先采用关联的方式进行入侵信号特征提取,提升检测效率,设置关联性检测节点,构建GA-SVM测算入侵信号检测模型,采用定位分离方法来实现信号检测处理。测试结果表明:针对选定的300个采样点进行信号入侵检测,对比于传统分布式光纤网络入侵信号检测组、传统FastICA测算网络入侵信号检测组,此次所设计的GA-SVM测算网络入侵信号检测组最终得出的入侵信号检测误检率被较好地控制在20%以下,说明基于GA-SVM算法的检测效果更佳,针对性更强,具有实际的应用价值。

基于优化SVM模型的立铣刀在机崩刃监测技术研究

随着加工精度要求不断提高,切削过程中,对刀具在机磨损或崩刃状态进行在机实时监测的需求日益增加。本文以声发射和主轴功率为监测信号,通过提取时域、频域和时频域的有效特征,构建了基于融合信号的平底立铣刀在机崩刃SVM监测模型;采用网格搜索、粒子群和遗传算法优化SVM模型参数,并在实际切削环境中,将平底立铣刀的崩刃监测效果进行对比。结果表明:基于遗传算法优化的SVM模型对铣刀崩刃状态监测效果最佳。

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

基于深度置信网络和SVM的铣刀磨损状态识别

针对人工提取的磨损指标无法全面表达铣削磨损特征的问题,提出基于改进深度置信网络(IDBN)与支持向量机(SVM)的刀具磨损识别模型。首先对刀具切削力、振动和AE信号在时域、频域、时频域进行特征提取;其次采用IDBN对提取的特征降维;最后利用改进的海鸥算法优化支持向量机(ISOA-SVM)构建磨损识别模型。结果表明,经过100次随机分层抽样,IDBN-ISOA-SVM对刀具磨损的平均识别率达到99%以上。从降维手段、优化算法及分类模型三个方面与其他算法对比,该模型有较高的识别率和泛化性,能够准确识别铣刀磨损状态。

基于GADF与2D CNN-改进SVM的道岔故障诊断方法研究

针对道岔故障特征不易提取以及道岔故障诊断准确率较低的问题,提出一种格拉姆角差场(Gramian Angular Difference Fields, GADF)与二维卷积神经网络(Two Dimensional Convolutional Neural Network, 2D CNN)-改进支持向量机(Support Vector Machine, SVM)的道岔故障诊断组合方法。首先,结合现场实际应用情况,选取道岔设备正常转换与典型故障的转辙机功率曲线,建立转辙机功率曲线样本数据库;采用GADF编码将一维转辙机功率曲线信号转换为具有时间相关性的二维特征图,分别选择16×16、32×32以及64×64大小的特征图并提取图像数据。其次,在LeNet-5模型的基础上设计2D CNN网络结构,并将图像数据输入至基于2D CNN的道岔故障特征提取模型中,经多层的卷积层、池化层以及全连接层提取特征指标,建立道岔故障诊断样本数据库。最后,通过北方苍鹰优化(Northern Goshawk Optimization, NGO)算法优化SVM算法的惩罚因子与核函数方差,构建基于NGO-SVM的道岔故障诊断模型。实验结果分析表明,将转辙机功率曲线数据经GADF编码为64×64大小的特征图,并通过2D CNN模型提取道岔典型特征数据,较其他数据处理方法具有较高的故障诊断准确率,同时提高了故障诊断实时性;将建立的道岔故障诊断样本数据库输入至NGO-SVM道岔故障诊断模型,其故障诊断准确率高达97.5%,较其他故障诊断模型具有更好的故障诊断性能,为道岔故障诊断提供了一种新方法,对现场道岔设备的日常维修具有一定的指导意义。

基于SVM的海洋内波图像预选方法

针对海量海洋卫星SAR数据处理和海洋内波应用急需,研究SAR海洋图像内波预选方法。根据SAR图像内波明暗条纹的周期性、延展性、独立性等特点,提取内波特征向量,通过支持向量机对这些特征向量进行训练,根据训练集开展SAR海洋图像自动内波预选。通过对典型含内波SAR图像的测试可知,本文提出的SVM与内波多特征结合的方法可有效预选含内波的海洋SAR图像区域,预选结果与人工目视结果高度一致,可极大减轻人工处理工作量,为后续内波深入处理和应用奠定基础。

基于特征融合和B-SVM的鸟鸣声识别算法

为了实现在野外通过低成本嵌入式系统识别鸟类,提出了基于特征融合和B-SVM的鸟鸣声识别方法。对鸟鸣声信号提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、短时能量和短时过零率组成特征参数,通过线性判别算法对特征参数进行特征融合。利用黑寡妇算法通过测试集对支持向量机模型的核参数和损失值进行优化得到B-SVM模型。利用Xeno-canto鸟鸣声数据集对本文算法进行了测试,结果表明该方法的识别准确率为93.23%。算法维度参数的大小和融合特征维度的高低是影响算法识别效果的重要因素。在相同条件下,文中所提的基于特征融合和B-SVM模型的鸟鸣声识别算法相较于其他特征参数和模型,识别的准确率更高,为野外鸟类识别提供了参考。

基于SVM模型的农村金融机构农户信用风险评价体系研究——以黑龙江省为例

目前,对农户信贷风险的评估方法很多,但大多采用专家主观判断法、统计判别分析法,主观性强,受样本数量限制。随着引入人工智能技术,出现了遗传算法、神经网络模型、支持向量机、随机森林等方法。在诸方法中,SVM是一种适用于少量样本的学习方法,可用于处理线性和非线性分类问题,尤其适用于农户信贷信息获取少而难的评估。文章运用农户信贷理论,以黑龙江省某农商行为主要研究对象,分析了农户贷款信用风险管理和评价体系现状,运用SVM模型和主成分分析构建了农户信用风险评价指标体系,并运用某农商行的数据进行了实证分析研究。得出结论:SVM模型在所有数据集上表现最好,其提取规则的准确性超越了传统的分类方法,可用作特征选择法的基础来确定违约风险重要的特征。

基于GAT与SVM的区块链异常交易检测

公有链因为透明公开而面临着众多恶意交易和非法加密活动的问题,这造成了区块链出现异常交易,对用户的资产和信息安全造成严重损害。针对区块链异常交易问题,提出一种关注区块链事务图局部结构邻节点特征与联系,基于图注意神经网络(graph attention network, GAT)与支持向量机(support vector machine, SVM)相融合的区块链异常交易检测方法——GAS(graph attention network and support vector machine)。采用随机森林对节点交易数据特征进行重要性评估,并选取降序排列后前140个重要特征,再结合邻节点特征,利用GAT对当前节点进行特征更新,更新后的特征作为SVM的输入,从而实现异常检测。实验结果表明,相比非融合方法,GAS检测结果性能更优,准确率可达98.11%,精度可达94.01%以及召回率可达85.48%。

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度,提出一种采用遗传模拟退火算法混合优化支持向量机(SVM)参数的瓦斯含量预测模型(GRA-GASA-SVM模型)。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数,以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析(GRA)压缩数据集维度,建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明:SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型,GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。

基于PCA-SVM结合共聚焦拉曼光谱的特级初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展,对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试,基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析,并对拉曼光谱数据进行主成分分析(PCA),然后利用支持向量机(SVM)构建PCA-SVM模型。另外,对PCA-SVM模型的检出限进行了研究。结果表明:特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异,最明显的光谱差异主要集中在谱峰1008、1161、1528 cm^(-1)和谱段2800~3000 cm^(-1)内,与密度泛函理论对不同油样拉曼光谱峰的分析一致;不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989,均方根误差小于2.990%,检出限为2%(低温压榨菜籽油体积分数);在特级初榨橄榄油掺伪定量分析中,考虑类胡萝卜素的特征信号有助于提高模型预测精度,但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上,所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。