基于工况识别的PHEV能量管理策略

为提升并联式混合动力汽车(parallel hybrid electric vehicle,PHEV)的燃油经济性,针对等效燃油消耗最小控制策略(equivalent fuel consumption minimum strategy,ECMS)在不同工况下适应性差的问题,以优化整车等效燃油消耗量为目标,设计基于工况识别算法的变等效因子ECMS能量管理策略。选取3类典型工况建立支持向量机分类模型,通过递归特征消除法对样本特征进行选择,采用鲸鱼算法对支持向量机进行参数优化,使用模拟退火算法分别对3类工况的ECMS等效因子进行离线全局最优求解,并分别存储于等效因子库中,通过训练好的支持向量机分类器对目标优化工况进行工况识别,不同类型的工况片段采用不同的等效因子进行转矩分配。仿真结果显示:相比于逻辑门限能量管理策略,基于工况识别算法的变等效因子ECMS能量管理策略的电池荷电状态(state of charge,SOC)变化量减少8.67%,节油率为13.11%;相比于优化前的ECMS策略电池SOC变化量减少3.47%,节油率约为6.63%。本文提出的基于工况识别算法的变等效因子ECMS能量管理策略可以有效地减少燃油消耗量,提升PHEV的整车经济性。

龙门吊轨道交叉下连续箱梁移位工序AI识别模型

为提升工程连续箱梁移位工作质量,保障工程有序顺利进行,设计龙门吊轨道交叉下的跨海通道工程连续箱梁移位工序AI识别模型。分析连续箱梁移位工序流程,将连续箱梁移位工作划分为钢筋加工、模板安装、混凝土蒸养等五个工序。利用人工智能技术中的门限玻尔兹曼机与支持向量机构建连续箱梁移位工序AI识别模型,采集连续箱梁移位工作图像,将所采集图像作为模型输入,利用卷积神经网络中的卷积层与池化层优化门限玻尔兹曼机模型,利用优化后的模型采集连续箱梁移位工作图像特征;基于不同图像特征,利用支持向量机划分图像类别,完成工序识别。实验结果显示,该模型能够准确识别连续箱梁移位工序,有效提升工程施工性能与经济效益。

基于支持向量机的建设工程项目经理胜任力评价

项目经理的胜任力是影响项目绩效的关键因素。在文献分析和专家研讨的基础上,结合中国情境,构建了建设工程项目经理胜任力的评价指标体系,将其胜任力分为四个维度:管理技能维、认知维、情商维和人格魅力维。在此基础上提出了一种基于支持向量机的胜任力评价模型,该模型具有自学习、自适应的能力,可以有效解决评价指标间非线性关联的问题。最后,算例表明该评价模型具有可靠性和有效性。

基于SPA和多分类SVM的紫外-可见光光谱饮用水有机污染物判别方法研究

快速、有效地识别饮用水中污染物类别对于降低突发饮用水污染事件影响十分重要。目前基于紫外-可见光光谱法的饮用水污染物判别模型大多使用主成分分析(PCA)进行特征提取,然而,对于光谱相似度较高的有机污染物,仅从数据驱动的角度提取其方差最大的方向作为特征进行识别效果往往不佳。针对有机污染物光谱数据多重共线性以及谱峰重叠干扰的问题,开展了基于连续投影算法(SPA)和多分类支持向量机(M-SVM)的紫外-可见光光谱饮用水有机污染物判别方法研究。首先,使用紫外光谱仪测量苯酚、对苯二酚、间苯二酚和间苯二胺的原始光谱数据并进行预处理,在对四种污染物进行了波长与浓度的相关关系对比分析后,发现苯酚和间苯二酚、对苯二酚和间苯二胺的谱峰重叠较为严重;特征提取时,引入SPA筛选有机污染物紫外-可见光光谱数据的特征波长组合,并对不同波长个数时的光谱吸光度进行多元线性回归分析,选取对应最小预测标准偏差的参数及波段组合作为最优参数组合;基于最优特征波长组合,构建基于多分类SVM的饮用水有机污染物分类识别模型;最后,对比分析了全光谱、 PCA及SPA特征提取后的光谱数据在不同分类方法及不同污染物浓度下的分类效果,进一步说明了SPA的适用性和稳定性。实验结果表明, SPA作为一种提取光谱数据原始特征波段的方法,可以有效的对有机污染物的紫外-可见光光谱进行特征提取,提升不同物质之间的差异,在一定程度上消除多重共线性和谱峰重叠干扰,从而提高分类模型的准确率。该方法对于解决饮用水中谱峰重叠的污染物类型判别问题具有参考价值。

基于SVM的建设项目风险识别方法研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法。它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性和分类精确性。在项目风险管理中,风险识别是很重要的一个步骤,如果风险不能被识别,那么我们就不能对风险进行转移、控制或管理。针对该问题,本文提出了一种新的风险识别方法-支持向量机,利用该方法对项目风险识别进行了研究,并取得了很好的识别效果。

基于SVM的建筑施工项目安全风险评价

为了建立针对建筑施工阶段的安全风险预防控制机制,有效减少安全风险导致的损失,运用SVM构建了基于SVM的建筑施工项目安全风险评价模型,通过具体工程项目进行实证分析。结果表明:通过合理的选取建筑施工项目安全的主要影响影子,科学建立风险指标并合理的量化分析,基于SVM的风险评价模型具有良好的实用价值和经济价值,可以为建筑工程项目施工阶段安全风险管理提供借鉴。

工程项目工期风险的支持向量机预测模型

影响建筑施工项目的各种不确定因素错综复杂,为了在工程项目实施前确定工程的最终工期,在介绍支持向量机回归理论的基础上,本文提出了基于支持向量机的工程项目工期风险预测模型。根据以往同类工程的风险数据作为学习样本,训练并构建支持向量机来预测待建项目的工期风险水平。最后的实证研究表明了该预测体系的可行性及可靠性。

基于数据挖掘的持卡人信用风险管理研究

目前的信用卡信用风险研究主要是如何提高模型的预测准确率。针对银行信用卡数据的异质性和信用数据的高度非线性,本文提出了对持卡人信用风险管理的混合数据挖掘方法。该方法包含两个阶段,在聚类阶段,样本数据被聚成同质的类,删除孤立点,不一致样本点重置标签,使样本更具有代表性;在分类阶段,基于样本进行训练生成支持向量机分类器法,对待分样本分类。基于实际数据进行了数值实验,并根据各类样本的特点提出了相应的风险管理策略。

基于支持向量机的工程项目风险预测研究

风险预测是工程项目风险管理的重要基础,本文在介绍支持向量机(SVM)基本原理的基础上,探讨了基于支持向量机的项目风险预测算法,根据以往同类工程项目的数据作为学习样本,来识别待研究项目的风险类别,从而做出项目风险水平的预测。本文同时也说明了Libsvm软件在项目风险预测方面的应用。

基于粗糙集和SVM的工程项目投标风险研究

针对建筑工程项目投标过程中的不确定性和风险分析问题,运用Rough集理论和方法对投标风险决策表的属性进行约简,再采用支持向量机对决策数据进行风险分类,帮助决策者迅速对工程项目的投标风险进行评估和预测。

一种新的软件项目风险智能评价方法

为了克服在无先验知识的情况下,人为选择评价指标的盲目性和确定指标权重的主观性,提出一种基于特征评判与最小二乘支持向量机的软件项目风险智能评价方法。该方法对各传统软件风险评价指标进行特征评判,并根据评判因子的大小选取敏感指标作为支持向量机的输入,实现对不同风险状态的自动识别。实证结果表明,该方法具有很强的鲁棒性,能够从大量的软件项目风险评价指标中筛选出有效的敏感特征,准确评价软件项目风险。

基于投影寻踪和支持向量机的模式识别方法

由于支持向量机(SVM)在处理小样本、高维数及泛化性能强等方面的优势,提出了一种基于投影寻踪(PP)和支持向量机的模式分类方法。利用PP方法把高维数据转换到低维子空间,同时用加速遗传算法获得最佳投影方向和投影值,揭示了高维数据的结构特征,然后在低维空间中用SVM对特征向量进行分类识别,并将其应用到银行信贷风险评估中。选用2005年度80家贷款申请企业的数据样本,对该模型进行验证,通过与神经网络模型的比较,证实了该方法用于模式识别的有效性及优越性。

基于自适应质心距投影HSVMs的网络故障识别

为了处理有限样本条件下的多类网络故障识别问题,提出了一种自适应质心距投影层次支持向量机。针对层次支持向量机固有的误差积累现象,该方法通过定义特征空间样本质心距投影度量类别离散程度,依据类别可分性优化偏态层次树结构;并设计基于自适应惩罚因子的补偿算法,修正由不平衡数据引起的分类超平面倾斜。实验结果表明,该方法具有较好的识别效果和效率,能够有效地抑制误差积累。

基于GA-SVM的输电塔结构基础施工成本预测

针对输电塔结构施工地点偏远,基础结构施工成本难以预测的问题,提出了一种基于遗传算法(GA)-支持向量机(SVM)的输电塔基础施工的成本预测方法。该方法通过遗传算法得到最优参数组合的支持向量机,将输电塔成本预测问题转化为回归问题。通过一输电塔基础施工实例来说明方法的有效性。结果表明,相比神经网络和传统的SVM算法,GA-SVM对小样本的模型预测效果显著,所述方法能较准确预测输电塔结构基础的施工成本。

建筑施工项目安全预警系统的仿真研究

研究建筑施工项目安全风险准确评估问题,由于系统存在非线性因素,构建模型较困难。传统评估方法需要样本数目大,而建筑施工项目安全风险是一种典型的小样本数据,导致传统方法的评估精度低。为提高建筑施工项目安全风险评估精度,利用支持向量机专门针对小样本数据建模的优点,提出一种粒子群算法优化支持向量机的建筑施工项目安全预警系统(PSO-SVM)。首先采用建筑施工项目安全风险评估正确率作为建模目标,评价指标确定评估模型结构,然后采用粒子群算法优化支持向量机建立评估模型,以克服传统评估方法存的缺陷,以解决建筑施工项目安全风险评估精度的难题。仿真结果表明,相对于神经网络,PSO-SVM提高了风险评估精度,在建筑施工项目管理具有一定的实际应用价值。

基于Kohonen-SVM模型的驾驶行为险态动态辨识

对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机（SVM）的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8 400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明：该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。

一种基于损失函数的SVM算法在P2P流量检测中的应用

P2P流量逐渐成为互联网流量的重要组成部分,但在对Internet起巨大推动作用的同时,也带来了因资源过度占用而引起的网络拥塞以及安全隐患等问题,妨碍了网络业务的正常开展。首先介绍了各种P2P流量识别方法及其优缺点,然后提出一种基于损失函数机制的支持向量机算法,用于实时P2P流量检测,并构建了一个基于本算法的检测控制模型。实验结果显示,该算法更符合P2P流量的实际检测要求,具有更好的检测精度。

基于非参数支持向量机的企业税收风险识别模型

文章从企业税负指标、盈利能力、运营能力、成长能力和偿债能力这5个方面选取指标,分别运用多分类支持向量机方法(SVM)和多分类Logistic回归对长春市大中型企业建立企业税收风险识别分类模型。结果表明:对于第一类正常纳税和第二类少缴税风险,SVM算法预测准确率高于Logistic模型的准确率;对于第三类多缴税风险,两种模型的识别准确率相当;总体上SVM算法在分类识别与预测上要优于Logistic模型。实际中可以结合两种方法,为企业防范和规避税收风险,实现安全的内部税收控制以及税务机关智能化风险识别和规避执法风险提供有价值的参考。

基于模糊遗传优化支持向量机的系统辨识研究

在实际应用中支持向量机的参数选取问题一直没有得到很好地解决,限制了其应用。为了能够自动获取最优的支持向量机参数,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的交叉概率pc和变异概率pm,并采用基于模糊遗传优化的支持向量机回归和BP神经网络对非线性系统辨识问题进行了研究。仿真结果表明,在小样本情况下,支持向量机比神经网络具有更高的系统辨识精度和更好的泛化能力。

基于支持向量机的武器装备研制项目风险评价方法

针对武器装备研制项目风险评价方法在实际应用中存在的问题,对支持向量机在武器装备研制项目风险评价中应用的可行性进行了分析,提出了基于支持向量机的武器装备风险评价模型.应用收集相关项目的数据资料进行了实证研究,并与神经网络和模糊综合评价法进行了比较分析.结果表明,基于支持向量机的评价模型具有良好的自学习性和特征提取能力,可为武器装备研制项目风险评价提供有益的参考.