基于ARIMA-SVM模型的翅片管蒸发器结霜性能预测

针对翅片管蒸发器结霜过程混杂着复杂的线性和非线性特征且测试数据受噪声干扰大,使用单一的模型无法对其性能进行预测的难题,建立了基于求和自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)和支持向量机(Support Vector Machine,SVM)的翅片管蒸发器结霜性能组合预测模型.利用实验数据对模型进行了验证和评估,并与单一ARIMA模型和SVM模型做了对比分析.结果表明,基于ARIMA-SVM的组合预测模型能兼顾结霜过程的线性和非线性特征,具有良好的预测性能,并能够较精确地预测到翅片管蒸发器性能参数的转向点.

基于改进卷积神经网络的光通信系统故障诊断研究

以准确诊断光通信系统故障,确保光通信系统稳定运行为目的,研究基于改进卷积神经网络的光通信系统故障诊断方法。分析光通信系统的模块组成,针对光通信系统中的信号受非线性影响后产生的相偏问题,利用支持向量机提取光通信系统中信号的故障特征;改进快速区域卷积神经网络,构建故障分类器模型;通过对模型进行迭代训练实现光通信系统故障诊断。实验结果显示所研究方法故障诊断精度平均为95.19%,耗时平均为138.8 s。

复杂地层条件智能化建井关键技术及发展趋势

井筒智能化建设是地下矿物资源开采、地下空间开发利用等领域高质量发展的重要技术支撑,也是井筒建设发展的必然趋势。在分析我国深厚冲积地层、硬岩地层、岩溶地层、富水弱胶结地层4种典型地层条件下现有建井技术的基础上,以西部富水弱胶结地层煤矿盲竖井建设为典型代表,从地质探查、地层改性、掘进装备、支护结构等方面梳理了智能化建井面临的挑战;深入剖析了复杂地层条件下智能化建井需要继续解决的问题及技术发展趋势,包括建井地层全信息探识与重构技术、智能化冻结控制技术、掘进装备破岩-排渣及智能化控制技术、掘-支协同智能化控制技术、仿真决策与智能化管理系统平台;提出了智能建井的发展建议,以期为推动智能化建井技术发展提供参考。

基于Seeded-Kmeans和SVM的分类算法

支持向量机(support vector machines,SVM)在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法(SK-SVM)。用SeededKmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。

神经网络极速学习方法研究

单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network,SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用,但传统学习方法的速度远远不能满足实际的需要,成为制约其发展的主要瓶颈.产生这种情况的两个主要原因是:(1)传统的误差反向传播方法(Back Propagation,BP)主要基于梯度下降的思想,需要多次迭代;(2)网络的所有参数都需要在训练过程中迭代确定.因此算法的计算量和搜索空间很大.针对以上问题,借鉴ELM的一次学习思想并基于结构风险最小化理论提出一种快速学习方法(RELM),避免了多次迭代和局部最小值,具有良好的泛化性、鲁棒性与可控性.实验表明RELM综合性能优于ELM、BP和SVM.

支持向量机理论及算法研究综述

介绍了SVM的理论基础和它的多种主要算法及这些算法的利弊与发展现状,并介绍了SVM在现实生活中的应用原理及应用现状。最后分析了SVM在发展中的不足之处,指出了其研究方向及前景,并提出在分布式支持向量机这个方向上可以进行更深层次的研究。

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。

基于Levy-ABC优化SVM的水电机组故障诊断方法

水电机组故障诊断实质上是一种典型的小样本机器学习问题,支持向量机作为一种先进的机器学习方法,在解决小样本问题上有着突出的表现,但其参数设置问题一直未能很好的解决。针对此问题,提出了一种基于人工蜜蜂群优化支持向量机的水电机组故障诊断方法,为改进人工蜜蜂群全局搜索能力,引入Levy飞行策略,对原始人工蜜蜂群算法进行改进。实验表明,Levy飞行蜜蜂群优化和支持向量机相结合的水电机组故障诊断算法,对多类故障能够有效地分类,提高了水电机组故障诊断的准确率,具有一定的工程应用价值。

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法。该方法与传统方法相比 ,克服了后者固有的过学习和欠学习问题 ,并且对复杂模式的识别能力强 ,达到了很高的人脸识别率。在对训练图像进行预处理之后 ,使用主成分分析方法对人脸图像进行特征提取和选择 ,用所选择的人脸特征向量训练多个支撑向量机 ,最后用训练好的支撑向量机进行人脸识别。文中将支撑向量机性能和传统方法进行了对比 ,并且对不同核函数的支撑向量机的性能也进行了对比。发现当特征脸数量不同时 ,不同核函数支撑向量机的性能也不同。总体而言 ,二阶多项式支撑向量机在人脸识别问题中具有更好的性能。

基于3种基因启动子甲基化联合端粒长度构建肺癌诊断支持向量机模型

目的：：探讨基于外周血白细胞 DNA FHIT、RASSF1A 和 p16基因启动子甲基化水平以及 DNA 端粒长度等4项生物标志建立的支持向量机模型在肺癌诊断中的意义。方法：通过实时定量甲基化特异性 PCR 法,测定200例正常人（对照组）和200例肺癌患者外周血白细胞 DNA 中 FHIT、RASSF1A 和 p16基因启动子甲基化水平,实时荧光定量 PCR 方法测定外周血 DNA 相对端粒长度,基于上述4种生物标志构建肺癌诊断支持向量机模型。结果：肺癌组和对照组中 FHIT、RASSF1A 和 p16基因启动子甲基化水平分别为3.33（1.86～6.40）和2.85（1.39～5.44）,27.62（9.09～52.86）和17.17（3.86～50.87）,0.59（0.16～4.50）和0.36（0.06～4.00）,端粒长度分别为（0.93±0.32） kb 和（1.16±0.57） kb,两组间差异有统计学意义（Z =3.044、2.075、2.641和4.972,P 均〈0.05）。基于上述4项生物标志建立的判别分析和支持向量机模型对预测集的 ROC 曲线下面积及95% CI 分别为0.670（0.569～0.761）和0.810（0.719～0.882）。结论：成功构建基于 p16、RASSF1A、FHIT 基因启动子甲基化和端粒长度的肺癌诊断支持向量机模型。

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.

基于支持过程向量机的航空发动机排气温度预测

针对航空发动机气路性能衰退主要是由时间累积效应造成的这一问题,为反映航空发动机气路性能参数时间序列中实际存在的时间累积效应,以预测航空发动机气路性能衰退规律,本文从泛函分析的角度出发,提出了一种支持过程向量机模型。并建立了基于支持过程向量机的时间序列预测模型,且以Logistic混沌时间序列预测为例验证了该预测模型的有效性。在此基础上建立了基于支持过程向量机的航空发动机排气温度预测模型,并采用遗传算法进行模型参数的优化选择。通过航空发动机排气温度预测实际应用案例对提出的模型进行了验证,实验结果表明:支持过程向量机预测结果的平均相对误差为2.81%,优于传统支持向量机的预测结果。

采用支持向量机的水声通信信号调制识别方法

由于水声信道中随机、复杂的时、频扩展特性的影响,非合作水声通信信号调制方式的自动识别极具挑战性.考虑到载频等调制参数提取较为困难,本研究基于信号功率谱、平方谱进行无需先验知识的水声通信信号特征参数提取,设计了一种基于多类别最小二乘支持向量机(LS-SVM)的水声通信信号调制方式分类器,该分类器具有泛化性能好、小样本学习能力强的特点,同时可避免传统神经网络分类器存在的过学习、欠学习以及局部最小化等问题.对海上实录信号数据的识别实验结果表明,本方法具有优于神经网络分类器的识别性能和信道稳健性.

基于HMM和SVM级联算法的驾驶意图识别

为降低先进驾驶员辅助系统的误警率,提出了利用不同任务下"人-车-路"参数的差异性识别驾驶意图的方法。在模拟驾驶仪系统中开展实验,记录了12名受试者的驾驶样本1 150组,对比车道保持意图、换道意图和超车意图样本的差异,确定了6个参数的驾驶意图识别指标体系。运用HMM和SVM级联算法建立驾驶员驾驶意图识别模型。结果表明:基于该算法的识别准确率达95.84%,明显高于HMM或SVM单一算法,且单次平均识别时间为0.017s,满足驾驶员对突发性事件反应时间的要求。

基于支持向量机模型的产品意象评价研究

为准确把握消费者对产品造型意象的认知规律,将支持向量机模型引入消费者的意象评价中。以数控机床为例,调查数控机床的意象得分,然后对数控机床的造型要素进行分解,最后将获得的数据代入粒子群算法优化支持向量机中进行学习,获得产品意象评价的数据模型。为比较BP神经网络、交叉验证法支持向量机、粒子群算法支持向量机这3种方法的准确性,抽选出5组没有在前面进行学习的数据进行测试。实验结果表明,粒子群算法支持向量机模型预测出的意象评价平均值与问卷调查所得平均值比其他两种方法更为接近,可以较好地用于预测消费者对产品造型的意象评价。

基于粗糙集和分层支持向量机的AGV多分支路径识别

双向型视觉导引自动导引车多分支路径识别的关键问题是实时性和鲁棒性。基于智能信息融合的思想,将粗糙集理论与多类支持向量机方法结合起来,提出一种基于知识获取实时性和类的相似性的分层多分支路径识别新方法。采用粗糙集知识粒度理论和分层递阶约简算法获得最小的决策规则,有效降低分类识别的复杂性;提出分类决策安全区域的学习方法,提高识别的鲁棒性。最后,仿真实验和多种环境下的运行测试验证了该方法的有效性和可靠性。

基于R-SVM的网络入侵检测系统

入侵检测系统(IDS)在处理高维数据时具有计算量大、占用计算机资源较多、训练和预测时间较长等缺点,这就需要对数据在确保有用信息不丢失的前提下进行约简。递归支持向量机(R-SVM)根据各个特征在svm分类器中的贡献大小从分类结果中提取使分类器性能最好的特征,以实现维数约简的目的。将R-SVM理论引入入侵检测系统中,提出了一种基于R-SVM入侵检测方法。通过对KDDCUP99数据集中10Percent数据子集的测试实验结果表明,与用粗糙集做特征提取及传统的几种分类算法相比,用R-SVM做特征提取并结合SVM分类算法用于IDS中的性能较好;与使用全部特征构建的支持向量分类器相比,前者能在保障较好的分类精度的同时,降低训练和预测时间。

基于多目标规划和支持向量机的企业信用评估模型

针对两类样本企业信用状况的重叠问题,提出一种基于多目标规划和支持向量机(SVM)的企业信用评估模型。基于TOPSIS法,分别以"正常企业"样本逼近理想点、"违约企业"样本逼近负理想点为目标,构建多目标规划模型;运用实码加速遗传算法求解得出指标综合权重,通过构造加权样本,减少两类样本企业信用状况的重叠,可在一定程度上提高SVM的预测精度。应用实例证明了该模型的可行性和有效性。

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。

混响背景中信号检测的特征核支持向量机

针对支持向量机的核函数对检测性能的影响,分析了核函数在特征空间中的作用.利用混响和目标回波的非高斯特性上的差异设计了特征核函数,即将核函数改进为任意2个样本高阶统计量的几何均值与原核函数乘积的形式,使其自适应调整核函数值,从而提高分类性能.实验证明了采用特征核函数后扩大了2类样本间的距离,并且仍然满足Mercer定理.将特征核支持向量机应用于高斯或非高斯分布混响背景中的信号检测,结合实际应用给出了训练和检测算法.实验及仿真研究表明,当选取2类样本差异较大的高阶统计量作为特征量时,混响背景为非高斯分布时,其检测性能优于匹配滤波器以及基于传统核函数的支持向量机.