基于LIBSVM的挖掘机执行器甩方工况状态识别方法

简要介绍了建立挖掘机执行器状态识别系统重要性,以中联重科20t级履带式液压挖掘机为实验机械,使用实验设备对其最常用的执行器甩方工况的运行状态开展识别实验,通过数据采集、数据预处理和模型训练,通过分析识别结果,得出预训练LIBSVM模型可以实时识别挖掘机执行器的运行状态,证明了该方法的可行性。

结合参数寻优LIBSVM模型的采矿用地提取研究

采用国产GF-1卫星数据,分析该数据中的光谱、纹理、植被指数、地形等特征,构建对露天采矿用地提取具有一定应用价值的多特征集合,最后对比应用价值较高的BP神经网络和改进的参数寻优LIBSVM模型对露天采矿用地的提取效果。结果表明:1)在2种算法的应用中,可以获取较高精度的特征集合都为B(光谱)+G(纹理)+V(植被)+D(地形);2)结合参数寻优的LIBSVM模型与B+G+V+D特征集对露天采矿用地提取可以获取较高精度,总体精度为91.76%,F1函数为94.55%,Kappa系数为0.8972。基于B+G+V+D的多特征集合,结合参数寻优的LIBSVM模型在露天采矿用地提取中具有较高的应用价值,为自然资源管理部门提供了一种较好的管理方法。

基于Spark的LIBSVM参数优选并行化算法

利用Spark集群设计LIBSVM参数优选的并行化实现.LIBSVM是一款广泛使用的SVM软件包,广泛应用于模型搭建、样本训练和结果预测等方面.在用LIBSVM训练数据集时,参数的选择对训练结果影响显著,其中以参数C和g最为重要.LIBSVM软件包中采用网格搜索算法对C、g参数组合进行寻优,尽管该算法在单机上实现了并行化,但当数据量达到一定程度时,仍需要花费大量的时间.基于Spark并行计算架构,进行了LIBSVM的C、g参数网格优选并行算法的设计与实现.实验结果表明,提出的并行粗粒度网格搜索C、g参数优选算法比传统算法速度提升了近7倍,而且这一提升将随着集群规模的扩大而进一步加大.另一方面,在粗粒度网格搜索的基础上,进而提出的细粒度并行网格搜索算法又进一步提升了C、g参数组合的优选结果.

基于LIBSVM的石油录井中岩屑岩性识别方法研究

针对在PDC钻头条件下石油录井过程中的岩屑岩性难以用肉眼识别,以及传统分类器准确率低的问题,该文利用和差直方图变换、傅里叶变换、Gabor变换3种不同的岩屑图像特征提取技术,将岩屑样品进行特征提取,并设定LIBSVM分类器的分类参数,根据得到的岩性识别率的高低来确定最优的参数组合。结果表明,SVM设置类型上选择NU_SVC、核函数选择RBF、分类参数gamma设置为0.1、nu设置为0.11的参数组合可获得较高的岩性识别率。其中采用Gabor特征提取方式和LIBSVM分类器对现场岩屑样品进行测试,获得的岩性识别率最高,对现场泥岩和砂岩的平均识别率分别为95%和90%。与神经网络分类器分类结果比较,该方法能更好地分析岩屑的岩性,可望在现场得以推广应用。

基于LibSVM代用燃料有效功率增量预测方法的研究

由于代用燃料燃烧系统的复杂性和非线性,对发动机有效功率有显著影响,而有效功率增量能有效反应发动机的动力性能。本文在归纳总结支持向量机的基本原理的基础上,采用正交试验,借助LibSVM软件包,利用支持向量机回归预测模型对燃烧系统的有效功率增量进行预测,经计算得出MSE=0.00212692,R=0.998038,表明支持向量机对小样本、非线性和高维回归预测有较高的预测精度、有效性及可行性。

基于PSO-LIBSVM的广域后备保护新算法

广域后备保护利用电网线路IED和母线IED采集各元件相关信息,构造基于PSO-LIBSVM的线路和母线故障识别网络。以IED采集的信息作为输入向量,建立故障识别网络的训练样本矩阵;PSO算法寻找最优LIBSVM运行参数并训练故障识别网络,利用随机故障下的测试样本矩阵对线路和母线识别网络进行测试,以识别电网故障元件IED,进而确定故障元件。通过大量实验仿真了多种信息不准确情况下的故障识别,实验证明基于PSO-LIBSVM的广域后备保护新算法,识别准确率高,具有很好的容错性。

基于遗传算法的LIBSVM模型大坝扬压力预测研究

支持向量机(S VM)模型的核心问题是惩罚因子c和核函数参数g的选取.通常支持向量机库工具箱(LIBSVM)采用传统网格搜索算法进行参数寻优,只能得到交叉验证意义下的全局最优解,在更大范围内进行参数寻优比较费时,且效率较低,针对这一问题,提出了基于遗传算法的启发式寻优,以交叉验证(CV)意义下的准确率为适应度,通过一系列的选择交叉变异操作,得到最优的c和g,将优化后的SVM模型应用于大坝扬压力的预测.通过某大坝扬压力监测的实例应用,将遗传算法优化的LIBSVM与传统的LIBSVM预测相对比,预测效果更好,精度更高.

基于LIBSVM和时间序列的区域货运量预测研究

针对区域货运量预测中影响因素多、样本数量小的问题,提出了互信息MI与LIBSVM支持向量回归以及状态空间时间序列相结合的预测方法,采用MI进行高维度特征降维后,以新的低维空间作为样本输入,分别建立LIBSVM支持向量回归和状态空间时间序列预测模型。通过重庆市货运量预测实验结果及对比分析表明,该方法在进行有效预测的同时能够改善预测精度,相对误差约为0.06。

基于LIBSVM的风速预测方法研究

由于风速随机性大且影响风速大小的因素较多,为了提高风速预测的准确性,研究了将支持向量机(support vectorm ach ine,SVM)应用于风速预测的方法。通过交叉验证选取LIBSVM回归机的最优参数组合并建立模型。实验结果表明,该方法在风速的实际预测中具有可行性。

基于AVX与OpenMP的LIBSVM并行优化研究

为解决支持向量机(SVM)分类算法性能不能满足实时性要求的问题,提出了一种使用Intel高级矢量扩展指令集(AVX)对SVM分类算法进行并行加速的计算方法。首先以LIBSVM的串行版本作为算法优化的基准,分析了LIBSVM训练阶段产生的模型文件读入内存后的布局特点,给出了满足AVX指令集操作的内存布局优化方案,接着在满足分类结果精度的前提下以单精度代替双精度浮点,提高了算法的并行度,最后使用OpenMP技术在多核平台下对并行算法进行了多线程优化,提高了CPU计算资源的利用率。实验结果表明,并行优化版本相对其串行版本加速约15倍左右,满足了系统的性能要求。

PSO-LIBSVM在污水水质建模中的应用

针对间歇式活性污泥法(SBR)复杂非线性等问题,常规神经网络建立的出水水质模型性能精度不高。采用支持向量机建立生化需氧量(BOD)软测量模型,并通过粒子群算法弥补支持向量机模型参数的不足。仿真结果表明,相对于BP神经网络、标准SVM模型,PSO-LIBSVM模型的误差小、精度高,降低了模型的复杂度并提高了其泛化能力。

基于LIBSVM的铅酸蓄电池荷电状态估计

研究准确预测蓄电池荷电状态(SOC)的方法对于快速、准确调节充电装置的动态充电过程具有重要意义。从基于测量蓄电池端电压和内阻实现预测其SOC出发,研究了基于卡尔曼滤波提高蓄电池端电压、内阻和充放电电流测量准确性的方法,在此基础上,进一步提出利用LIBSVM支持向量机基于蓄电池端电压、内阻和SOC的训练样本数据,建立反映其非线性映射的回归预测模型建模方法。最后通过实验数据验证了所提SOC预测模型建模方法的可行性。与利用BP神经网络预测SOC的结果对比表明,基于相同训练样本,所提方法建立的预测模型具有SOC估计预测误差小,对蓄电池宽运行范围的SOC评估具有良好适用性等特点。

基于LIBSVM的粮食水分数据融合研究

通过建立粮食水分仪数学模型,获取其多输入参量与水分的关系曲线是提高水分测量精度的有效措施。以电容式水分仪为实验对象,在大量实验数据的基础上,利用LIBSVM中的径向基核函数回归找出其关系曲线。实验结果表明,所建立的模型能精确反应电容传感器、环境温度、粮食紧实度、重量等参量与水分之间规律和趋势,对于便携手持式水分仪的研究具有指导意义。

基于LIBSVM的哈密瓜成熟度无损检测技术

以7成熟、9成熟和过熟3种不同成熟度的哈密瓜为研究对象,在Matlab 7.6环境下,先利用图像处理技术对哈密瓜果脐处进行背景图像分割,计算图像的最大值、最小值、平均值等7个特征值,然后运用模式识别与回归工具箱LibSVM建立基于支持向量机(support vector machine,SVM)的哈密瓜成熟度分类模型,并对分类准确率进行预测。结果表明,图像处理中的LibSVM工具箱可以很好地运用到哈密瓜成熟度的无损检测研究中,模型分类准确率可达到95.83%。

基于LIBSVM的视觉信息页面块分析模型

随着网络技术的发展,逐渐的每个人都需要面对网络,浏览不同的网页,而网页页面的组成结构复杂,人的感官对于页面的认识与人眼所见并不相同。本文通过对于5473条页面的数据先分析再处理,然后把每一页的属性设置为10个,最后在基于支持向量机的基础上建立分类模型,对复杂的属性数据,我们应用LIBSVM先对其进行分析然后再根据分析结果对其进行处理、紧接着对其优化和解释,分类结果最终的准确率是97%,从而给网页的更深层的认识提供了有效的理论依据。

基于LIBSVM和智能算法的电站锅炉排烟温度优化

针对电站锅炉的排烟温度控制问题,阐述了某1 000 MW超临界锅炉排烟温度的支持向量机模型,运用采集的数据对模型进行训练和验证,并结合人工智能算法对排烟温度排放较高的工况进行优化,得出了相应的参数调整策略。结果表明,该模型能够准确预测排烟温度,智能算法能够对模型进行优化,其中微分进化算法的优化效果最好。

基于MATLAB软件的LIBSVM的应用实例研究

笔者采用MATLAB软件2018a版,在LIBSVM软件包下运用改进的支持向量机对某种新型材料的物理性能指标数据进行分析,结果表明,在MATLAB软件中进行编程计算和数据处理,建立的模型准确,计算高效,数值精度高,展现了MATLAB软件在工程计算和模拟实验的强大功能。

基于LIBSVM的PM2.5浓度预测模型

建立基于LIBSVM的PM2.5浓度预测模型,对合肥市5个监测点的PM2.5小时平均浓度值进行预测,分析了不同污染物浓度和不同天气状况下的预测误差。结果表明:LIBSVM模型对5个监测点的PM2.5预测结果稳定,平均绝对误差为4.763 1 ug/m^3;在输入参数污染物浓度较低和不利于污染物扩散的条件下预测误差较小,在输入参数污染物浓度较大和有利于污染物扩散的条件下预测误差较大。LIBSVM模型能够很好地对PM2.5浓度进行预测,且输入参数对于模型的预测效果具有较大影响。

基于LIBSVM的融合傅里叶幅值与相位的示功图识别方法

通过示功图来诊断抽油机井工况,是确保油井安全高效生产的一种重要手段;针对现有示功图特征提取只利用其离散傅里叶变换(Discrete Fourier Transform,DFT)的幅度谱而忽略了其相位谱,从而导致识别率较低的问题,提出了一种融合DFT的幅度谱与相位谱的示功图识别方法;首先,将示功图数据组成复数序列,取其DFT的幅度谱与相位谱构造特征向量;其次,对已知故障种类的示功图的特征向量进行训练,构造多分类支持向量机(Support Vector Machines,SVM)分类判别模型;最后,通过LIBSVM分类识别方法对未知类别的示功图进行分类识别,从而诊断抽油井的工况;实测结果表明,与只利用DFT幅度谱的方法相比,该方法能够有效地提高示功图的识别率,能为油井工况的准确分析、诊断与实时优化控制提供技术支撑。