基于SVM实现风力机组控制系统参数优化

分析了风力机的基本特性,阐述了风力发电机组控制系统在低于额定风速时风力机的最大风能捕获及高于额定风速情况下的变桨距控制。在此基础上,利用SVM(support vector machines)优化风力机的风能利用系数以及变桨距控制系统的控制参数。仿真分析表明,风能转换系数的支持向量机模型具有很好的精度和泛化性能,而优化后的变桨距控制系统可对输出功率的调节获得较好的效果,保证风电系统的恒功率输出。

基于自适应梯度算法的SVM核极化参数选择方法

在机器学习领域,支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析.模型选择是影响SVM性能的主要因素,具体地讲是SVM中的核函数及其惩罚系数C的选择决定着SVM的分类能力.本文首先讨论了一种评价核函数好坏的重要标准,即核极化.在此基础上提出了基于核函数优化问题的自适应梯度算法,即用一种自适应步长去改进原来的固定步长.UCI数据集(机器学习数据库)上的实验结果验证了这种自适应梯度算法的有效性,结果表明该算法能有效减少程序运行的迭代步及SVM学习训练的时间.

SVM提取地物方法中的参数研究

使用SVM对LiDAR数据中进行分类,在进行分类的过程中,采用了样本交叉验证和LIBSVM中的网格法两种方法对SVM的参数进行了讨论。首先,先对LiDAR数据进行预处理;其次,通过两种方法进行SVM分类参数的获取;最后,通过精度的比较及分类结果的目视对比,分析参数选取方法,选取适宜的参数选取方法。

NRS-SVM两阶段遗传算法的多晶硅铸锭配料质量分析

在多晶硅铸锭配料质量分析中,针对邻域粗糙集-支持向量机(NRS-SVM)模型在处理多晶硅铸锭配料的连续型数据中邻域半径δ和SVM参数的取值问题,提出了将NRS-SVM模型与遗传算法(GA)相结合的两阶段遗传算法(NRS-SVM-GA).该算法的第一阶段通过搜索新的邻域半径来得到较好的约简集合,第二阶段采用第一阶段属性约简结果,通过搜索新的SVM参数训练出准确率较高的分类模型。算法根据每个阶段的目的提出了相应的适应度函数及终止条件,显著特点是实现了NRS-SVM自动化特征提取及分类预测,并将两个阶段单独进行,避免了通过分类器来评价约简性能所带来的时间消耗。在多晶硅铸锭配料数据集上进行实验,结果表明,与标准遗传算法相比,该方法运行时间短,输出结果稳定,可得到较少的特征和较高的分类精度。

基于SMPSO-SVM的土石坝运行期渗流监测模型的建立与运用

将SM算法嵌入PSO算法当中,在支持向量机模型上,建立关于土石坝安全运行的渗流监测模型(SMPSO-SVM),避免了SVM参数的随意选择性。与其它监测模型相比, SMPSO-SVM引入影响因子更少,大大降低了计算的复杂程度,且拟合预测的精度较高,计算过程更加稳定;模型运用到实际土石坝工程的渗流监测中,取得了不错的分析效果,可为类似土石坝的渗流安全监测提供新的方法和手段。

被动声学液体管道微泄漏内检测方法研究

针对液体管道微泄漏(小于1 L/min)难以检测和识别的问题,建立基于被动声学的液体管道微泄漏内检测方法,研究管道微泄漏的声学机理,并搭建实验平台。采用管道内置高灵敏度声学传感器的方式,进行不同泄漏孔径和和泄漏内压下微泄漏声学实验,微泄漏声信号幅值随泄漏孔径和泄漏内压呈正相关变化。利用改进EMD(IEMD)-小波阈值降噪算法对微泄漏声信号进行降噪处理,以减少噪声对真实泄漏信号的影响。提取并定义不同信号处理领域(时域、频域)的特征参数,如均值、标准差、均方根、峰峰值等,以表示微泄漏的复杂性。将特征参数作为下一步管道泄漏识别的数据库,并将数据分为实验组和验证组。采用网格参数寻优支持向量机(SVM)构建自动分类模型对管道微泄漏进行识别,降低人工误判概率。研究结果表明:管道微泄漏识别准确率达到97.87%,可以实现对管道微泄漏的准确识别。研究结果可为声学内检测器的研发提供理论基础。

支持向量机在高光谱图像分类中的特性研究

运用支持向量机算法在解决遥感数据的分类问题上已经得到了普遍的认可,并进一步的向更深一个层面发展。本文分别针对惩罚参数C、权重参数W、训练样本数量N三个相关参数进行了多组对比实验研究,并对高光谱数据分类过程中支持向量机内部参数在分类中体现的特性进行了总结分析。

人脸识别中基于均匀设计的SVM超参数调节方法

为了有效地解决超高维、多类别人脸识别中支持向量机(SVM,support vector machine)超参数调节计算复杂性问题,提出一种基于均匀设计(UD,uniform design)的SVM超参数调节的人脸识别方法。用UD代替传统的网格(grid)和梯度下降(gradient descent)方法挑选充分均衡分散在整个试验范围内且能得到满意实验结果的特征点,通过最小化k折交叉验证误差界或留一法(LOO,leave-one-out)误差界获取SVM最佳超参数。在UCI模拟数据集(Waveform)及人脸图像库(Yale,PIE)上进行了实验,结果表明,本文方法与传统的SVM超参数调节方法相比,能大大降低超参数调节的时间且能在一定程度上提高人脸分类识别率,使SVM超参数调节方法在解决高维人脸真实数据问题时具有一定的实用价值。

矿井突水水源判别理论和方法研究

在矿井突水判别系统的基础上,利用应用层、网络层、感知层三个层次功能的不同,可以实现对矿井突水水源的全面监测;在对数据的处理分析上,基于BP神经网络方法,神经网络根据网络权值调整误差,根据测得的数据和已有水源类别的不同,自动调节,直到误差极小,利用非线性SVM尺度参数,将范围的取值选择为0.001L,选择合适的光谱成分值,得到矿井突水水源的识别率。该方法实现了对矿井各个位置突水水源的全面监测,利用科学的计算方法,15min便可得到矿井水源的类型,得到高效准确的监测结果。