基于GA-SVM回归的成矿有利度预测方法探讨

将改进的非线性技术(GA-SVM)应用于成矿预测,为成矿有利度预测方法提供一种新思路。在分析哈图矿集区成矿有利度基础上,选取28个学习样本、10个与成矿有关的地质变量,应用基于遗传算法(GA)寻优的支持向量机(SVM)方法,对成矿有利度进行建模,并与BP神经网络模型预测结果进行比较。结果表明,GA-SVM回归预测模型能很好地拟合成矿有利度与各地质变量间的非线性关系。样本数量有限时,GA-SVM比BP神经网络具较高的拟合精度,更适合非线性成矿预测工作,具较强的推广意义。

LS-SVM model based nonlinear predictive control for MCFC system

This paper describes a nonlinear model predictive controller for regulating a molten carbonate fuel cell (MCFC). In order to improve MCFC’s generating performance, prolong its life and guarantee safety, it must be controlled efficiently. First, the output voltage of an MCFC stack is identified by a least squares support vector machine (LS-SVM) method with radial basis function (RBF) kernel so as to implement nonlinear predictive control. And then, the optimal control sequences are obtained by applying genetic algorithm (GA). The model and controller have been realized in the MATLAB environment. Simulation results indicated that the proposed controller exhibits satisfying control effect.

SVM法在虚拟仪器非线性校准中的应用

在构建虚拟仪器系统时,非线性误差是值得考虑的一个问题,本文主要是为了解决这方面的问题。文中首先介绍了虚拟仪器非线性校准的基本原理,接着分析了支持向量机回归模型,并通过采用遗传算法来优化支持向量机的参数,以便建立基于优化的支持向量机非线性校准模型。最后,通过构建一个简单的虚拟仪器数据采集校准系统的实验来验证这种校准方法的有效性,实验结果表明,这种方法是可行的,而且测量精度有了显著提高。

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正。实验结果表明:BP神经网络法使得传感器的最大相对波动由初始的22.2%降低到1.12%;而遗传支持向量机方法使其降低到0.04%,显著改善了传感器的性能,取得了较好的效果。

基于遗传算法支持向量机的虚拟仪器动态补偿

为了克服标准支持向量机参数选取受人为因素影响的不足,从而提高虚拟仪器动态误差补偿的精度,在支持向量机原理的基础上,利用遗传算法的自动寻优功能,以虚拟仪器采集到的数据为输入参数,建立了支持向量机的优化模型,并给出了遗传算法具体优化步骤。通过动态误差补偿实例的计算结果表明,给出的优化模型较标准支持向量机模型的补偿效果更加明显,并且具有良好的可靠性和稳定性。