基于SVR-LSTM的人体上肢运动遮挡轨迹补偿方法

在人机协作过程中,由于光照条件等环境因素和机器人设备摆放等遮挡原因,导致使用基于视觉的运动捕捉设备对人体运动进行捕捉时时间序列的轨迹数据有缺失,进而导致意图识别不准确,增加了机器人运动的不确定性。因此,提出了一种基于支持向量回归(support vector regression,SVR)和长短期记忆(long short-term memory,LSTM)的人体上肢运动时间序列轨迹缺失补偿方法。采用网格搜索法对SVR模型中的参数进行优化来完善历史样本数据集,结合长短期记忆网络对短、长时间序列轨迹缺失的预测补全更精确的优势,将SVR模型补全的历史样本数据集输入LSTM模型训练,进一步降低补偿误差。实验结果表明,在三维空间350 mm的运动尺度范围内,轨迹缺失程度为10%时,SVR-LSTM模型补偿轨迹的平均误差是0.14 mm;轨迹缺失程度为30%时,SVR-LSTM模型补偿轨迹的平均误差是0.47 mm。

基于无人机倾斜摄影测量技术与SVR算法的开采沉陷监测与预计

为实现矿区开采沉陷高精度监测与预计,将无人机倾斜摄影测量技术与支持向量回归算法(Support Vector Regression Algorithm,SVR)相结合,对赤峰市六家煤矿采区沉降量进行了监测与预计,并将预计结果与GPS实测结果进行了对比。结果表明:GPS实测矿区10 d测量沉降量为0.2~15.8 mm,东西南北区平均沉降量分别为51.2、31.5、46.6、130.8 mm,北侧沉降量分别为东、西、南侧的2.55、4.15、2.81倍,矿区北侧为沉降严重区,需要进行重点监测并制定合理有效的防治措施。基于无人机倾斜摄影测量技术与SVR算法预测的矿区东西南北区累计平均沉降量分别为49.4、31.5、45.8、134.6 mm,所有测点2种测量方式所得相对误差均在5%以内,反映出所提方法预计精度较高,为实现矿区开采沉陷高精度监测与预计提供了参考。

基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。

基于SARIMA-SVR模型的铁路货运量预测方法

鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。

基于Bagging-WOA-SVR的粮堆温度场预测模型

采用阵列式分布的测温电缆检测粮仓温度变化情况,利用机器学习技术来预测粮食温度,用粮仓1年监测数据来预测粮堆未来27 d温度。传统的BP、RBF、RF、SVR单模型对粮堆温度进行预测存在误差大、泛化能力差等缺点,提出一种基于Bagging集成的鲸鱼算法优化支持向量回归模型(Bagging-WOA-SVR),并与灰狼算法优化支持向量回归模型作比较。将影响粮堆温度的多种因素做灰色关联分析,选取粮仓内温度、粮仓内湿度、粮仓外温度、粮仓外湿度、粮仓平均温度、地表温度作为神经网络的输入,粮堆平均温度作为预测输出,选取3个指标为评判标准,对比分析模型预测精度。结果表明:提出的Bagging-WOA-SVR模型相比之下有着较好的稳定性,均方误差为0.24,相关系数为0.9892。

基于WOA-SVR的关键核心技术创新生态系统脆弱性预警研究——以集成电路技术为例

双循环格局下,创新生态系统脆弱性成为制约关键核心技术攻关的瓶颈,对其有效预警是实现技术突破、解决“卡脖子”问题的关键环节之一。结合集成电路技术发展现状,构建包含群落、资源、经济、环境4个子系统的关键核心技术创新生态系统,同时建立改进WOA-SVR的脆弱性预警模型,对系统脆弱性进行分级。结果表明,集成电路技术创新生态系统综合脆弱指数由2005年的4.28下降到2020年的2.66,警度从较重警情降至中警;经济子系统作为创新生态系统最活跃的子系统,其脆弱性指数下降缓慢,仍处于较高脆弱度水平。对4个子系统指标间耦合关系进行剖析发现,适应能力指标对降低系统脆弱性指数具有较大影响,政府和企业可据此建立防范机制。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

基于BB-递归核函数SVR算法的U型折弯件模型参数优化研究

影响U型折弯件回弹的因素众多,工件尺寸、力学性能、负载条件、材料各向异性等相互耦合,表现出高度复杂的非线性,从而导致回弹预测结果的不确定性。本研究以板料折弯件回弹后的张开角(α)为目标函数,构建一个递归核函数支持向量回归(SVR)模型,并部署到分支界限法(BB)中,从而筛选出维度为4的最优的特征变量参数子集,其决定系数(R^(2))为0.982147,均方误差(MSE)为0.00433,模型预测精度相对较高。算法优化得到的折弯件参数为:厚度(t)为12 mm,上模宽度(d)为90 mm,上模圆角半径(r)为9 mm,载荷速度(v)为10 mm/s。BB递归核函数SVR算法、有限元模拟和实际测量的α分别为16.3°、17.5°和18.2°,尽管有限元结果更接近于实际值,但是BB递归核函数SVR算法可以为有限元模拟提供筛选出的参数(t,d,r,v)的数据,以快速进行模拟并预测张开角α,并实现回弹补偿装置的高效设计。

基于SVR的飓风海况下海浪多参数反演方法研究

针对卫星在飓风海况下观测海浪信息单一且准确性低的问题,利用哨兵1号卫星干涉宽刈幅模式合成孔径雷达(SAR)数据,通过分析SAR特征与海浪参数间的影响关系,筛选出26个特征作为输入变量,基于支持向量回归(SVR)建立海浪多参数反演模型。将该模型得到的有效波高、平均波周期、风涌浪波高、风涌浪波周期和平均波向与欧洲中期天气预报中心第5代全球气候再分析数据、国家浮标数据中心浮标数据以及传统MPI方法的结果进行对比。结果表明,基于SVR的海浪多参数反演模型能有效反演海浪多参数,且与理论方法相比,显著提高了飓风海况下海浪参数反演的准确性。

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。[结果]提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R^(2))为0.973920,均方根差(RMSE)为0.003012,平均绝对误差(MAE)为0.002105。[结论]使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。

基于MVO-SVR的室内指纹定位算法

针对室内定位过程中由非视距和环境干扰导致的定位精度不高的问题,提出一种基于多元宇宙优化支持向量回归的室内指纹定位算法。首先通过基于超宽带通信技术的双边双向测距算法计算得到测距信息;然后利用测距值作为指纹特征并建立指纹库,使用SVR算法构建定位坐标和测距值之间的映射关系;最后使用MVO优化算法寻优SVR算法的cost和γ参数,以提升定位精度。实验显示,选择径向基函数作为SVR模型的核函数能够有效提高定位精度,并将MVO-SVR的结果与三边定位、随机森林算法、极致梯度提升算法、SVR的结果进行对比和分析,X方向平均绝对误差分别降低了20.12%、54.43%、60.66%和16.21%,Y方向平均绝对误差分别降低了79.57%、54.18%、59.29%和38.17%,平均定位误差Ep分别降低了60.73%、54.38%、60.01%和22.84%,且MVO-SVR算法在X和Y方向平均绝对误差均达到了厘米级。结果证明:基于MVO-SVR的室内指纹定位算法明显提升了定位精度,在复杂室内环境中具有良好的应用前景。

融合GWO和SVR的建筑安全事故预测模型

当前建筑业迅速发展,但随之而来的是频频发生的建筑安全事故,造成不可逆转的损失和伤害。虽然近些年来在建筑安全事故控制方面的研究已取得一定的成果,但建筑安全事故仍未得到有效控制。针对建筑业市政工程安全事故总数和死亡人数,探究二者之间的关系,构建灰狼优化算法-支持向量回归机(Grey Wolf Optimization and Support Vactor Regression,GWO-SVR)组合模型,收集2008—2020年每个月的建筑安全事故数据及死亡人数数据集,发现二者之间成正向相关关系,以建筑安全事故数为特征对建筑死亡人数进行预测,精度达到95%以上,对建筑安全资源与人力投入有较大参考价值,有助于提升建筑安全管理水平。

基于SARIMAX-SVR的光伏发电功率预测

为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发电功率预测方法。首先,采用相关性特征法聚类气象条件中关键气象因子,以消除数据冗余并降低ARIMAX模型的复杂性;其次,在ARIMAX模型中引入季节性因素,构建SARIMAX模型来捕捉数据的季节性变化;最后,使用SARIMAX模型的拟合残差其作为SVR模型的输入,进一步拟合数据的非线性。通过仿真算例分析表明,所提方法可显著提高光伏发电功率预测精度。

基于SVR的2195铝锂合金FSW接头疲劳裂纹扩展寿命预测

为了对搅拌摩擦焊(Friction stir welding,FSW)焊接结构进行快速准确的裂纹扩展寿命预测,提出了一种基于支持向量回归(Support vector regression,SVR)的2195铝锂合金FSW接头疲劳裂纹扩展寿命预测方法。首先,通过疲劳裂纹扩展试验和有限元仿真得到Paris裂纹扩展模型常数及裂纹尖端应力强度因子数据集;然后基于SVR模型建立应力强度因子预测模型,并采用粒子群优化(Particle swarm optimization,PSO)算法优化SVR模型的超参数;最后,基于构建的应力强度因子预测模型和Paris模型进行裂纹扩展寿命预测。结果表明:优化后的PSO‑SVR模型能够快速、准确地预测裂纹尖端应力强度因子,在测试集上的决定系数R2可以达到0.9995,高于未优化SVR模型的0.954;该方法裂纹扩展寿命预测结果与有限元仿真结果进行对比,最大误差小于5%,验证了方法的准确性。

基于ISSA-SVR算法的近海典型水质参数遥感反演

化学需氧量(COD)和叶绿素a (Chl-a)浓度作为与光谱相关的典型水质参数,是反映水体污染程度和富营养化程度的重要指标。支持向量回归模型(Support Vector Regression,SVR)适用于小样本,广泛用于近海典型水质参数的遥感反演,但也存在模型参数选择困难、容易陷入局部最优解的问题。针对这一问题,本文构建融合反向学习和模拟退火的改进麻雀算法(Improved Sparrow Search Algorithm,ISSA),通过改进麻雀算法对SVR模型的惩罚系数和核函数参数进行参数寻优,提出了一种改进的支持向量回归模型(ISSA-SVR)。通过该模型利用实测水面光谱与水质参数数据建立COD和Chl-a浓度反演模型。利用Sentinel-2卫星遥感光谱数据对模型的精度进行验证,得到各水质参数浓度的反演精度。采用ISSA算法优化SVR建立的COD浓度预测模型和Chl-a浓度预测模型的平均相对误差(MRE)分别为20.02%和30.17%。反演结果均优于其他模型(线性回归、SVR和SSA-SVR模型)。实验结果证实,ISSA-SVR算法是实现COD浓度和Chl-a浓度遥感反演的有效方法,可为我国近海典型水质参数遥感反演及后续水体科学管理提供参考。

基于VMD-FE-SSA-SVR模型的超短期风速预测

为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。

基于IPSO-SVR的反导装备体系效能评估方法研究

鉴于反导装备体系运行机理复杂、结构不清难以选择合适的效能评估模型等问题,采用“数据驱动+深度学习”的方法对反导装备体系效能评估展开研究。结合反导装备体系作战过程,从探测跟踪、指挥控制、火力拦截和综合保障4个方面构建了反导装备体系效能评估指标;针对PSO算法容易陷入局部极值、早熟收敛等问题,提出改进型粒子群优化算法,对SVR参数进行优化,建立了IPSO-SVR效能评估模型;在大量反导装备体系实验数据抽取、处理、分析的基础上,对IPSO-SVR模型进行训练和学习,以此获得对反导装备体系效能的非线性拟合。实验结果表明:所提效能评估方法期望输出和实际输出之间误差非常小,拟合精准度高,具有较高的可靠性和可行性。

基于麻雀搜索优化SVR模型的房地产价格研究

为解决传统经济指标作为房价影响因素的数据获取滞后性问题以及机器学习模型在预测房价时存在的参数选取不确定性问题,文中以网络搜索数据作为房价指数解释变量,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)建立SSA-SVR(Support Vector Regression)模型对SVR的惩罚因子C和RBF(Radical Basic Function)核函数的参数g进行优化。将SSA-SVR模型与PSO(Particle Swarm Optimization)-SVR、GA(Genetic Algorithm)-SVR、WOA(Whale Optimization Algorithm)-SVR、GS(Grid Search)-SVR以及基准SVR进行对比,SSA-SVR的相关系数(0.99)、均方根误差(6.71)、平均绝对误差(5.24)、均方误差(45.13)以及平均绝对百分比误差(0.26%)均优于其他5种模型。结果表明,麻雀搜索算法优化的SVR模型在房价预测方面具有更好的全局寻优能力,可以提高模型的预测准确度和预测能力。

基于CEEMDAN-GSA-LSTM和SVR的光伏功率短期区间预测

针对光伏输出功率存在间歇性和波动性的问题,提出一种光伏功率短期区间预测模型.首先,该模型采用自适应噪声完备集合经验模态分解将历史光伏出力数据分解为不同的分量并按照其与赤纬角、时角等时序特征量的相关性定义为时序分量和随机分量.其次,分别使用经过引力搜索算法优化的长短期记忆神经网络和支持向量回归模型对时序分量和随机分量进行预测.再次,叠加时序分量和随机分量的预测结果得到点预测结果.然后,对误差进行Johnson变换及正态分布建模后得到光伏功率区间预测结果.最后,利用算例验证该模型的有效性.结果表明:在不同天气情况下,上述模型比现有预测模型精度更高,具有较好的鲁棒性,能够基于预测值提供较为精准的置信区间.

基于GM-GWO-SVR模型的斜坡形变预测

选取湖北省秭归县屈家坪斜坡作为研究区,使用56期Sentinel-1数据,采用SBAS-InSAR技术提取斜坡形变信息,分析发现斜坡呈现三处明显负形变,与降雨集中时段相吻合.在此基础上,建立了非等距GM(1,2)、GM-SVR、GM-GWO-SVR预测模型,并对研究区进行形变预测,预测结果经MAE、RMSE、MAPE和SSE四个指标评估,结果表明GM-GWO-SVR模型的预测效果最佳.