基于K-CV优化的PCA和SVM人脸识别算法

为解决常规的PCA(Principal Component Analysis)和SVM(Support Vector Machines)人脸识别算法准确率不高的问题,提出了用改进的网格搜索和交叉验证(K-CV:K-fold Cross Validation)算法对SVM参数寻优的方法,并联合了PCA和SVM的人脸识别算法。该算法利用K-CV算法结合改进网格搜索方法寻找最佳参数,尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab软件上测试结果表明,该算法在YALE人脸库的识别准确率比常规的PCA和SVM联合算法高9.08%。

基于岭回归的地铁车载设备故障预测

针对现场实际记录中屡次发生故障的车载设备,为预测其下一次故障发生时间,提出基于岭回归算法的故障时间预测方法,整个研究过程通过随机森林算法结合人为经验的方式提取出6个有效故障特征,建立岭回归故障预测模型,并通过网格搜索结合交叉验证(Gridsearch CV)的方法优化模型超参数,在深圳某地铁线路实际数据中得到有效的验证,提出的方法可以较为准确的预测下一次故障,可以作为指导预防性维修的依据,实现故障的提前预测、提前感知、提前处理。

基于随机森林的输气管道压缩机流量软测量技术研究

压缩机是输气管道最主要的耗能设备,其流量计量结果的准确与否直接关系到管道全线的管理水平。在现场测试实验的基础上,构建了基于随机森林的数据驱动软测量模型,采用网格搜索和交叉验证对影响模型精度的超参数进行寻优,最终构建最优预测模型,并与支持向量机(SVM)模型、朴素贝叶斯(NB)模型和经网格搜索确定超参数的支持向量机(GS-SVM)模型的预测结果进行对比。结果表明,通过基尼指数确定的燃料气消耗量和大气压力对压缩机流量的相关性较小,其变量应予以删减;当决策树的个数n为300,分裂特征数m为5时的预测效果最佳;随机森林模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)均最小,说明了随机森林模型对于压缩机流量这类复杂非线性数据集的回归效果较好,具有一定的先进性和科学性。

基于Stacking集成学习的高校录取分数线预测

针对如何准确预测高校录取分数线,帮助高考生做出更加准确的志愿填报决策问题,提出一种基于Stacking集成思想的双层模型。该模型采用机器学习算法暴露特征重要性,融合3个单一算法并使用交叉检验法和网格搜索法进行参数优化。通过在贵州省2018-2022五年高考高校录取数据上进行实验结果表明,该双层融合模型的预测效果优于支持向量回归、决策树、随机森林等单一模型和其他集成模型;预测误差在5分以内的精度超过95%,平均绝对值误差低于2.43;较单一模型中表现最好的梯度提升指标分别提升44%和19%,提升了预测效果,为未来分数线预测提供了新的方向。

基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine,SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis,fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%~8.92%.

基于改进GWO-CV优化的K-调和均值聚类算法

为克服传统聚类算法对初始聚类中心敏感且容易陷入局部最优的问题,文章提出一种基于改进的灰狼优化与交叉验证法结合的K-调和均值聚类算法(GWO-CVKHM)。首先将新的非线性收敛因子引入灰狼优化算法,以调整前期广度搜索与后期深度搜索比例,同时基于模糊控制权重决策对灰狼种群位置进行更新;其次利用改进灰狼优化算法与交叉验证的思想对初始聚类中心进行寻优;最后基于改进后的聚类算法选取UCI数据库中真实数据集进行聚类。实验结果表明,该算法在求解精度及算法稳定性方面优于对比算法,具有更快的收敛速度与更强的全局搜索能力。

基于GS-CV SVM的煤炭掺杂率软测量方法

针对传统煤炭掺杂率实验室分析法工序复杂、检测效率低的不足,提出将交流阻抗技术与软测量技术相结合的煤炭掺杂率软测量方法。以宁夏无烟煤为试样验证煤炭交流阻抗特性,提取试样交流阻抗测量值和水分含量为辅助变量,构建基于网格搜索和交叉验证支持向量机(GS-CV SVM)的煤炭掺杂率软测量模型,结合交叉验证和网格搜索两种策略优化模型参数。建立仿真实验平台以验证方法有效性,配制掺杂率0~45%的煤炭试样,测量其交流阻抗值和水分含量完成掺杂率识别实验。测试结果表明对于掺杂率在0~45%范围内的煤炭试样,该文方法的准确识别率为85%及以上。

弓网滑动电接触失效的影响因素分析与研究

为了研究影响因素对弓网滑动电接触失效的影响程度问题,采用自制的滑动电接触试验机对试验数据进行测量。首先,使用斯皮尔曼等级相关系数分析各因素和电流稳定系数之间的相关性;其次,采用RF、LightGBM和XGBoost算法对影响弓网滑动电接触失效的因素进行重要性排序;最后,利用网格搜索和交叉验证方法对XGBoost模型的参数进行调优,为了解影响因素对GC-XGBoost模型预测结果的影响,引入SHAP归因理论对模型进行解释分析。结果表明,弓网滑动电接触失效的影响因素重要度从高到低依次为波动压力幅值、接触电流、滑动速度和波动频率;XGBoost模型的各评价指标值相较于其他模型最优,经优化后的GC-XGBoost模型的拟合度提高了5.72%,误差精度达到最低;SHAP模型从整体与局部揭示了影响因素对滑动电接触失效的影响规律,帮助研究人员更好地解决电气化铁路中弓网系统接触失效的问题。

基于随机森林的大坝潜在风险预测方法

大坝潜在风险预测在降低大坝溃坝概率和减少水库大坝失事方面发挥着重要作用。利用随机森林方法构建基于数据驱动的大坝潜在风险预测模型,可以减少建模过程中的人工干预,实现风险预测高效化、智能化。首先预处理大坝基础数据资料,构建训练和测试数据集,然后构建大坝风险预测模型并用训练数据训练模型,利用网格搜索和交叉验证确定模型最优参数,最后通过模型评价指标和多种算法对比结果全面评估模型性能。实验结果表明:基于随机森林的风险预测模型在测试数据上的准确率为90.54%,相较于ANN (人工神经网络),KNN (最邻近),SVM (支持向量机)算法分别高出4.87%,18.59%,37.93%,满足实际应用的需求。

基于支持向量机的光伏电站异常数据序列提取

根据华为生产管理系统提供的光伏阵列直流端数据,研究电气数据序列的异常特征,提出一种基于支持向量机的异常数据序列提取方法,实现组串异常判定。通过分析异常数据序列波形特征,总结其波形变化规律;对数据序列进行偏差率及马氏距离计算,设定健康阈值,实现正常、异常标记,建立训练样本集以训练支持向量机模型,利用网格搜索与交叉验证法确定模型最优参数。将该模型对电站进行异常数据序列提取,常规/非常规类异常状态判定。结果表明,所构建的模型对电流、电压数据序列进行分类时的误判率分别为3.19%、2.03%,漏判率分别为2.35%、2.16%,该模型具有较高的可靠性。

基于随机森林的帕金森疾病诊断模型构建研究

近些年来,根据帕金森疾病(PD)患者的语音数据对该疾病做出诊断成为一种行之有效的疾病诊断方法。首先,针对语音数据集中存在非均衡数据和噪声样本的问题使用SVM SMOTE过采样技术,利用支持向量机分类器寻找支持向量并在此基础上合成新的样本以达到均衡数据集的目的;为了减少数据维度,降低学习难度,运用信息增益特征选择对所有特征属性计算数值并划分数据集以此来获得信息增益,根据信息增益的大小排序选取得到八个特征作为最优特征组合;最后,构建随机森林帕金森疾病诊断模型,并采用网格搜索和交叉验证相结合的方式进行参数调优,进一步优化模型,实现诊断模型准确率的进一步提高。实验结果表明,优化后模型的准确率、灵敏度和特异度均有提升,为别为96.59%、94.81%和95.49%,且准确率均高于支持向量机、最邻近节点算法、朴素贝叶斯和决策树等决策模型。

基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用

将支持向量机(SVM)理论与网格搜索及交叉验证相结合,应用于梯级水电系统隐随机优化调度中,实现径流不确定条件下的梯级实际优化运行。以系统结构风险最小为SVM训练目标,结合参数分布规律,采用指数划分的网格搜索对模型参数进行优选;将K-fold交叉验证技术引入到SVM训练性能评价中,降低了训练样本随机性对训练模型性能的干扰,提高了模型的泛化能力。建立VC_与MATLAB混合编程平台,对梯级水电系统隐随机优化调度运行进行仿真,结果表明基于采用最优参数SVM的隐随机优化调度在梯级系统发电量和发电过程方面取得了良好成果。

基于网格搜索与交叉验证的SVM磨机负荷预测

针对实际生产中只能依据专家经验判断磨机负荷(ML)状态,难以检测ML及其直接相关参数的问题,该文通过分析反应磨机内部负荷的振动信号,提取频谱特征,利用支持向量机(SVM)建立磨机负荷参数的预测模型。为解决SVM核函数参数g和惩罚因子C主观选取问题,提出采用网格搜索与交叉验证相结合的方法,对SVM参数进行优化。最后基于Matlab与VC混合编程,建立仿真平台,实现球磨机负荷参数的预测仿真。分别利用SVM默认参数和最佳优化参数代入ML回归预测模型,通过参数ML预测对比,得到SVM最佳优化参数下训练的平均平方误差(MSE)和平方相关系数(r2)均优于SVM默认参数下的预测结果。

基于参数优化的最小二乘支持向量机触电电流检测方法

针对如何从低压电网总泄漏电流中检测出生物体触电电流信号的难题,提出了一种基于网格搜索和交叉验证的最小二乘支持向量机的触电电流信号检测方法。首先在剩余电流动作保护装置触电物理试验系统平台上通过故障录波器获得生物体在3个典型时刻(电源电压最大时刻、电源电压过零时刻及电源电压任意时刻)发生触电过程的总泄漏电流和触电电流波形,并截取触电前1个周期和触电后3个周期共800个采样点的信号数据作为触电试验样本数据;然后将触电试验样本数据进行滤波预处理,预处理后的多个样本采样点的总泄漏电流组合成特征向量输入最小二乘支持向量机(least square-support vector machine,LS-SVM),相应样本采样点的触电电流作为其输出,并通过网格搜索与交叉验证相结合的方法来优化最小二乘支持向量机参数,利用输出最优参数组合对触电电流与总泄漏电流的关系进行训练,从而建立了触电电流的检测模型;最后利用该方法对10组测试样本数据进行了检测,检测结果为:当训练样本数据为20组时,检测均方误差为14.0040,当训练样本数据为40组时,检测均方误差为11.7469,当训练试验数据为65组时,检测均方误差为11.1849。与径向基(radial basis function,RBF)神经网络方法相比,最小二乘支持向量机方法比径向基神经网络方法检测均方误差分别低3.7272、1.9132、0.1556,从而可较准确地从总泄漏电流中检测出生物体触电电流信号,为开发新一代基于生物体触电电流分量而动作的自适应型剩余电流保护装置提供理论依据。

基于LS-SVM的机械式温度仪表误差预测研究

机械式温度仪表在测量过程中易受到环境温度、毛细管长度以及内部机构影响而出现测量精度不高、非线性的情况,针对这些问题以液体压力式温度仪表作为研究对象,提出了基于最小二乘支持向量机(LS-SVM)的温度误差建模预测的方法。通过分析液体压力式温度仪表的测温结构和误差影响因素,将环境温度及毛细管长度等特征参数作为模型输入,将误差值及误差随毛细管长度的变化率作为输出。根据回归预测的原理,利用网格搜索和交叉验证的方法寻找最优参数组合,建立液体压力式温度仪表的误差预测模型。实验结果表明,该模型可以有效地描述温度误差,并将此建模方法与常用的支持向量机回归建模方法进行比较,基于LS-SVM得到的误差预测模型精度较高、推广能力强,可以对机械式温度仪表进行补偿,为探索机械式温度仪表自适应补偿机构提供理论依据。

基于轨迹输入特征支持向量机的湖南电网暂态稳定在线识别

针对目前基于人工智能算法的电力系统暂态稳定评估输入特征选择困难的问题,采用发电机单一状态变量故障清除后一段时间内的轨迹作为支持向量机(Support Vector Machine,SVM)的输入特征,并采用网格法寻找支持向量机在交叉验证意义下的最优参数。通过对这类支持向量机的性能进行详细的分析和对比,给出了3个分类准确度很高的发电机状态变量。在湖南电网的测试系统上仿真实现了该模型,仿真结果证明所提基于轨迹输入特征的支持向量机具有很高的精度,为支持向量机输入特征的选取提供了新思路。

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。

基于参数优化的最小二乘支持向量机状态估计方法

考虑到最小二乘支持向量机的参数选择会对状态估计的结果产生较大影响,提出了一种基于参数优化的最小二乘支持向量机的状态估计方法。首先,在非线性回归估计模型的训练过程中,采用两层网格搜索策略和交叉验证法来动态地调整LS-SVM的参数,从而更好地反映估计模型的复杂度,以此提高状态估计的精度。其次,由于估计模型在应对不良数据时可能出现误差增大的问题,通过对核参数的特性进行分析,加入了一种鲁棒优化方法,增强了估计模型的抗差能力。仿真分析发现,该方法具有估计精度高,面对不良数据时鲁棒性好的特点。

基于支持向量机的高光谱影像分类研究

高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起。高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好的进行地面目标的分类识别。本文综合利用支持向量机分类的若干关键技术,包括序列最小优化训练算法、多类支持向量机构造方法、核函数及其参数选择的交叉验证"网格搜索",给出了高光谱影像分类流程,进行了遥感数据试验分析。

一种基于支持向量机的企业财务危机预警新模型

为有效解决传统模型存在的小样本、高维数、非线性和局部极小点等问题,基于支持向量机方法建立了一种新的企业财务危机预警模型。该模型以财务危机预警指标体系为基础,企业财务危机与否的实际结果为学习样本,采用交叉验证和“格搜索”方法进行训练、验证,确定出最优分类函数。实例分析结果表明,该模型简单、有效、可行,为企业财务的动态预警提供了新的途径。