采用改进遗传算法优化LS-SVM逆系统的外转子无铁心无轴承永磁同步发电机解耦控制

为了实现外转子无铁心无轴承永磁同步发电机(outer rotor coreless bearingless permanent magnet synchronous generator,ORC-BPMSG)的精确控制,提出一种基于改进遗传算法(improved genetic algorithm,IGA)优化最小二乘支持向量机(least square support vector machine,LS-SVM)逆系统的解耦控制策略。首先,基于ORC-BPMSG的结构及工作原理,推导其数学模型,并分析其可逆性。其次,建立LS-SVM回归方程,并采用IGA优化LS-SVM的性能参数,从而训练得到逆系统。然后,将逆系统与原系统串接,形成伪线性系统,实现了ORC-BPMSG的线性化和解耦。最后,将提出的控制方法与传统LS-SVM逆系统控制方法进行对比仿真和实验。仿真和实验结果表明:所提出的控制策略可以较好地实现ORC-BPMSG输出电压和悬浮力、以及悬浮力之间的解耦控制。

光纤传感技术结合SVM-ELM的风力机齿轮箱故障诊断分析

针对风力机组齿轮箱故障信号采集、特征提取和故障诊断方面所存在的问题,提出了一种光纤布拉格光栅检测技术与故障诊断算法相结合的健康状态评估方法。首先通过对光纤动态监测系统构架进行设计并规划故障健康状态评估的整体流程进而实现实验采集平台的搭建,其次通过对采集信号进行变分模态分解和多尺度排列熵算法的分析并完成特征向量集的构建,最后通过支持向量机、概率神经网络、极限学习机算法进行测试正确率和时间的对比分析。结果表明,该方法能够准确实现故障模式的分类且提高了故障预测概率。

基于广义解调和SSA-SVM模型的高速道岔区晃车诊断方法

为解决传统高速铁路道岔区晃车状态诊断过度依赖人工巡检的问题,提出一种基于广义解调和麻雀搜索算法(SSA)优化支持向量机(SVM)模型(SSA-SVM)的道岔区晃车状态诊断方法。首先,基于广义解调对车体横向加速度进行分解,提取不同频率模态分量,结合分量信息以及轨道几何信息,进一步计算道岔区晃车诊断特征指标;然后,采用SSA-SVM模型作为道岔区晃车分类诊断模型,提出基于该模型的道岔区晃车状态诊断方法;最后,以我国某高速铁路道岔区实测数据为例进行案例分析,验证该方法的有效性。结果表明:与基于误差反向传播算法模型(BP)、SVM模型、粒子群优化算法(POS)优化的误差反向传播算法模型(POS-BP)和粒子群优化算法优化的支持向量机模型(POS-SVM)的道岔区晃车状态诊断方法相比,采用SSA-SVM模型的道岔区晃车状态诊断方法不仅收敛速度快、精度高,而且在特征较少的情况下仍能保持94.8%的高诊断精度。

基于改进局部极化准则的多核SVM模型

为提升SVM在行业领域内应用的普适性以及预测效果,提出了基于改进局部极化准则的多核SVM模型.构造了广义p-范数柯西核,将不同类型的核函数进行核组合,建立了多核SVM模型.重新定义关联系数,建立非线性规划模型求解最优的核权重与核参数.检验了不同p-范数距离对多核SVM性能的显著性影响.通过在5个真实医学数据集上的实验分析,结果表明与传统的单核SVM相比,本文提出的方法在多数情况下具有更好的分类预测性能.

基于改进SVM的新能源电站故障诊断方法

新能源电站运行数据量大、运行工况多变,发电机组的故障诊断难度较大。为此,提出了一种基于改进SVM算法的新能源电站故障诊断方法。首先,对SVM(支持向量机)的概念和原理进行了分析,并采用多元SVM分类器对SVM进行优化;然后,研究了光伏电站和风电站的故障信号提取和故障特征分析方法,并在此基础上提出了故障诊断模型;最后,从实际新能源电站获取样本数据,构建了基于决策级融合的改进SVM故障诊断模型,并将故障特征向量输入模型进行训练。结果表明,针对光伏电站的故障诊断准确率达到了97.5%,风电站的故障诊断准确率达到了98.09%,验证了该方法的准确性。

基于CEEMD-SVM的风速混合预测模型研究

由于风速有随机性、波动性特点,风力发电会有不确定性,这使风力资源难以直接利用。本文基于“分解-预测”的思路,提出一种基于完全集合经验模态分解和支持向量机(CEEMD-SVM)的风速预测模型。实验结果表明,该模型相比其他预测模型在风速预测方面表现出显著优势。其预测结果为合理的调度风力发电资源提供了数据基础。

基于SAE和GNDO-SVM的脑电信号情绪识别

情感计算是现代人机交互中的关键问题,随着人工智能的发展,基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向.为了提高情绪识别的分类精度,本研究引入堆叠自动编码器(stacked autoencoder, SAE)对EEG多通道信号进行深度特征提取,并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型.实验结果表明,与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比,所提出的GNDO-SVM模型具有更优的分类性能,基于SAE深度特征的情感识别准确率达到了90.94%,表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息.因此,利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.

基于L-SVM的太阳能短期上网发电量预测方法研究

对光伏上网发电量进行短期预测,可以为电力部门的调度以及用电计划的调整提供参考.提出了一种基于最小二乘支持向量机(least square support vector machines,LS-SVM)对短期光伏上网发电量的预测方法,LSSVM方法具有好的泛化能力.以甘肃某地区电厂的并网发电全年实测数据为实例,同时考虑到短期太阳辐射和光伏电池温度对光伏发电量的影响,建立了基于LS-SVM的短期预测模型.与现有的前向神经网络预测方法进行比较,实验结果表明,该方法能获得更好的预测效果,具有一定的应用潜力.

基于AE信号与优化SVM的刀具磨损状态识别

根据小波包变换理论,对刀具磨损声发射(AE)信号进行滤波和能量特征值提取。采用分步式扫描的方法对传统的盒计数法进行改进,并利用改进的盒计数法计算滤波后信号的广义分形维数特征值。以上述提取的特征值为备选特征,采用支持向量机(SVM)作为分类器,利用量子遗传算法(QGA)首先对分类器的输入特征进行筛选,之后对分类器的模型参数进行优化。利用优化后的分类器对测试样本进行分类,测试结果表明,该方法可以对刀具磨损状态进行有效识别。

一种基于SVM的低空飞行冲突探测算法

随着低空飞行密度不断增加,低空航行安全已引起广泛关注,由于低空环境复杂,低空飞行受地面障碍物和天气影响比商用航空显著,传统的空中交通警戒与防撞系统(TCAS)和其他冲突探测方法并不适用于低空密集飞行环境。针对传统探测方法计算量大、适用性差的不足,引入支持向量机(SVM)的二元分类方法,通过对本机和周边飞机航迹归一化处理,采用智能优化算法对关键参数进行优化,利用模拟数据对分类器进行预先训练,实现了适用于低空飞行的高效冲突探测。以大量的仿造数据对算法有效性进行了测试验证,结果表明漏警率和误警率分别控制在约0.1%和6%,克服了传统确定型方法与概率型方法难以兼顾效率与适用性的缺陷。

基于信息粒化的SVM时序回归预测

为了提高SVM的学习效率和泛化能力,首先利用一种信息粒化算法对原始数据进行预处理,该算法能将样本空间划分为多个粒(子空间),降低样本规模,节省时间复杂度.然后将模糊粒化后的信息利用SVM进行回归分析,同时利用交叉验证选出最优的分类器调节参数,可降低分类器的复杂性和提高分类器的泛化能力,避免出现过学习和欠学习.最后通过预测上证指数的实验验证了该算法具有优越的特性,能够较为准确的进行时序回归预测.

基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究

综合考虑气象因素,使用ABC-SVM方法,对历史的气象数据和光伏出力数据进行训练,依据发电量情况将气象数据分为4类;之后在4类气象情况下各选取上万条数据,使用PSO-RF模型分别训练每组数据,得到4个带不同参数的模型;最后根据每天的气象情况运行不同的模型。验证本组合方法之后发现,通过气象分类后得到的模型,可大幅提高光伏发电量预测的效果。

广义超球面SVM研究

超球面支撑向量机是不均衡样本分类的一种重要方法.然而,目前引入间隔的超球面支撑向量机中,当一类样本集中不存在支撑向量时,两类样本之间的间隔解是不确定的;在两类样本均存在正常支撑向量的情况下,两类样本之间的间隔为零.间隔不确定或为零在很大程度上影响分类器的推广性能.为此提出了一种广义的超球面支撑向量机算法,通过引入参数n和b,理论推导得出n>b,这样可以保证获得不为零的间隔解.理论分析和实验结果表明,所提供算法在具有较小经验风险的同时,可获得较好的推广性能.

基于EMD-SVM的小型发电机组物理声源灵敏度分析

为了解决无法直接得到小型发电机组的物理声源及其灵敏度的问题,采用经验模态分解(EMD)和支持向量机(SVM)协同分析的方法,开展噪声信号盲源分离,提取独立分量(IC)并识别主要物理声源,以测点声压级、机组功率和独立分量的声压级作为样本数据建立支持向量机回归模型,推导灵敏度计算函数,计算主要物理声源的灵敏度,得到了小型发电机组主要物理声源对辐射噪声的影响率.研究结果表明:影响该小型发电机组辐射噪声的主要因素有功率、配气机构噪声和驱动平衡轴的齿轮噪声,应用EMD-SVM协同分析可得到物理声源灵敏度,对于噪声控制具有重要指导意义.

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。

LS-SVM误差补偿的广义预测控制

广义预测控制(Generalized Predictive Control,GPC)汲取了DMC(Dynamic Matrix Control)、MAC(Model AlgorithmicControl)中的多步预测优化策略,抗负载扰动、随机噪声、时延变化等能力强,且选取模型参数少,利于控制。然而,据研究发现GPC对模型失配问题有一定的局限性。最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)是在支持向量机的研究基础上发展而来的,具有良好的回归、分类功能。在认真学习LS-SVM原理的基础上,提出了基于LS-SVM误差补偿的广义预测控制,并选择两个模型进行了仿真实验。通过与常规GPC的比较,表明了该算法具有更优的控制性能。

基于层次聚类和BILSTM的光伏短期功率预测模型

为解决现有光伏功率预测方法存在效率低和非线性预测精度不高的问题,提出一种混合光伏功率预测模型。首先通过支持向量机(SVM)提取模块降低输入数据维度;然后利用平衡迭代规约和聚类(BIRCH)模块挖掘数据中的信息,划分特征库;最后根据光伏功率的波动特性,建立其对应的双向长短期记忆网络(BILSTM)预测模型。将提出的混合模型应用于欧洲中期天气预报中心(ECMWF)提供的真实数据集上进行预测,通过与8种主流的机器学习算法相比,该模型在测试数据集上的平均绝对误差(MAE)和均方误差(MSE)分别降低了4.3%~59.75%和35.65%~78.29%。此外,混合模型还具有良好的可解释性,使其在电力行业有广泛的应用前景。

人脸特征选择中的SVM泛化误差估计

为了研究在人脸特征选择中用支持向量机(SVM)泛化误差界作特征选择判据的有效性问题,结合过滤(Filter)和封装(Wrapper)模型构造了人脸特征选择及识别的新框架,将小波变换(WT)和核主元分析(KPCA)作为Filter模型,最小化SVM的VC维(VC)留一法(LOO)误差界及支持向量span误差界作为Wrapper模型的特征选择判据;通过递归特征排除法(RFE)在UMIST人脸图像库上进行人脸特征选择及识别实验。实验结果表明:判据为VC维的LOO误差界和支持向量span误差界时,特征维数可以分别降低到80和70,而分类识别率仍然能达到94%以上,表明本文所提出的特征选择判据和特征搜索策略是解决人脸特征选择问题的一种有效方法。

基于云模型的并行蚁群-SVM分类方法

支持向量机(SVM)是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但SVM不利于海量数据的挖掘。为了改善SVM对大样本数据的适应性,提高算法的收敛速度,利用云模型来优化并行蚁群算法,提出了一种基于云模型的并行蚁群-SVM网页分类方法。将蚂蚁当前位置坐标作为云滴的两个参数,用逆向云发生器产生信息云的三个数字特征,采用不同的方法来更新蚂蚁的信息素,比较真实地体现了现实蚁群的运作情况,达到了实时动态更新的效果。通过对比测试,验证了CPACA-SVM方法在准确率和召回率上均有明显提高,具有较好的分类效果。