基于最小二乘支持向量机的传感器动态系统辨识方法

在介绍和比较标准支持向量机(SVM)和最小二乘支持向量机(LS-SVM)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法。与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%。因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模。

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法。首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联——Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识。仿真与实际传感器系统辨识的实验结果均表明该方法可行。

基于支持向量机的非线性动态系统辨识方法

讨论了辨识一类非线性系统模型的方法。先假设原非线性动态系统可由静态非线性子环节和动态线性子环节串联——H模型来表示。将H模型的非线性方程转换为类线性形式,从而建立线性过渡模型。对原始测量数据进行组合运算获得线性中间模型的训练样本集,并通过支持向量机线性回归算法求取过渡模型参数。最后再建立过渡模型与H模型系数之间的关系,从而反推出非线性模型参数,实现非线性动态系统辨识。仿真结果表明了该方法的有效性。

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

基于单片机的田间信息采集系统的设计与实现

随着精细农业在我国的不断推广,将精细农业思想转化为实际应用也渐渐提到日程上来。为此,以精细农业中的田间数据采集为例,提出了基于PHLIPSP89C51单片机的田间信息采集系统设计方法,使之在采集外部多路串行数据的时候,同时能够采集外部多路模拟数据。试验证明,基于单片机的田间信息采集系统是可行的。

新教改下电子技术课程设计教学实践探讨

本文主要是从讨论电子技术课程设计的重要性出发,研究新教改下的电子技术课程设计的教学和实践中所存在的不足之处,并制定了比较完善的策略来对这一课程进行创新,对增强构建电子技术基础的教学进行创新和实践,使学生在正确的、完善的教学指引下,对自主学习、综合设计、创新和实践的能力会起到积极有效的促进作用。

分宜发电厂励磁系统设计探讨

通过介绍发电机自并励静止励磁系统在分宜电厂100MW汽轮发电机组中的应用,说明该励磁方式与过去的励磁方式相比有较大的优越性。并探讨了大中型汽轮发电机自并励静止励磁系统组成方案及保护问题,可供设计参考。

一种基于LS-SVM的电子设计竞赛选手选拔与组队方法

在详细阐述最小二乘支持向量机(LS-SVM)回归算法原理基础上,提出一种基于LS-SVM的特征提取方法,并将其应用到全国电子设计竞赛队员选拔问题上。利用所提的特征提取方法对近年在电子设计竞赛中获奖队员平时成绩进行分析,找到了3个关键的评价指标,并以此为基础确定了一套定量的选拔与组队方法。

基于MapObjects的田间信息处理系统

随着精细农业在我国的不断推广,将精细农业思想转化为实际应用也渐渐提到日程上来。为此,参照华南农业大学引进的FieldStar精细农业系统,提出了一套基于MapObjects田间信息处理系统的设计方法,使其能够同时处理采集到的多路田间信息,并做相应的处理。试验证明,本系统是可行的。

利用SVR的非线性动态系统Wiener模型补偿

提出一种新的利用支持向量回归机(SVR)的非线性动态系统维纳(Wiener)模型补偿方法.首先,将非线性动态系统用Wiener模型描述成线性动态子环节和非线性静态增益;再设计结构上与之对应的Wiener补偿器,并进一步将其变换为可用SVR辨识的线性中间模型;最后,通过关系矩阵将中间模型的估计值转换为Wiener补偿器的实际参数.用实际压力响应系统的动态标定实验数据进行测试,结果表明,与最小二乘方法比较,所提方法建立的Wiener补偿器具有更强的抗干扰能力.因此,该研究为非线性动态系统补偿又提供了一种可选方法.

机组监控系统中PLC与PC的通信方法

阐述了一种在水电厂机组监控系统中PLC与PC串行通信的实现方法,给出了PLC与PC的硬件接口方法及基于Windows和VB环境下的通信程序.

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机（LS-SVM）的传感器非线性校正及温度补偿的新方法，并给出了相应的过程和算法。在该方法中，LS—SVM被用作构建逆模型，并通过该模型映射传感器非线性特性，同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明：所提模型建模速度比SVM模型高1-2个数量级，补偿误差仅为SVM模型的20％左右。因此，该学习速度快、补偿精度高、抗噪声干扰能力强，适合传感器温度补偿及校正。

基于最小二乘支持向量机的传感器非线性动态补偿

提出了一种基于最小二乘支持向量机的非线性传感器动态测量误差的校正方法,使得通过该方法补偿的传感器具有理想的输入输出特性。先将传感器的非线性动态系统分解成线性动态子环节和非线性静态子环节串联;与之对应,非线性动态补偿过程也包含2个阶段:线性动态补偿和非线性静态校正。然后,通过函数展开将补偿器的非线性传递函数转换为等价的类线性形式—中间模型;再通过LS-SVM回归算法求取中间模型参数;最后,推导出中间模型参数与补偿器2个子模型参数之间的关系,并通过该关系实现非线性静态校正和线性动态补偿环节的同时辨识。与常规非线性动态补偿方法比较,该方法优点是明显的:(1)只需进行一次动态标定实验;(2)能给出非线性动态补偿器的数学解析表达式;(3)充分利用LS-SVM的优点,使辨识的补偿器具有更好的抗干扰能力。仿真与实际实验结果均表明该传感器非线性动态补偿方法有效。

基于PCA-SVM的柴油凝点近红外光谱软测量法

提出一种基于PCA-SVM及近红外光谱(NIRS)分析技术的柴油凝点软测量方法。首先,采用多项式卷积对原始的柴油NIRS数据进行光谱平滑、基线校正和标准归一化;然后,利用主元分析(PCA)对近红外光谱数据集的高维特征进行组合并向低维空间投影;最后,利用SVM回归算法建立凝点的软测量模型。与BP、SVM及PCA-BP方法相比,实验结果表明所提方法具有更高的测量精度,且与标准方法测量的结果更为接近,因此适合柴油凝点的在线测量。

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上，探讨了一种利用LS-SVM进行传感器动态误差补偿的方法，并给出了相应的过程和算法。与标准SVM补偿方法比较，该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束，将求解二次规划问题转化为直接求解线性矩阵方程，在相同样本条件下，使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明，在噪声条件下，LS-SVM方法的补偿误差约为SVM的40％。因此，LS-SVM补偿方法学习速度快，抗噪声干扰能力强，更适合传感器动态补偿。

基于LS-SVM的小水电站年发电量智能预测模型

针对小水电站年发电量序列的特点,将最小二乘支持向量机(least squares support vector machine,LS-SVM)回归模型引入年发电量预测领域,并给出了相应的过程和算法。与常规基于人工神经网络(artificial neural net-works,ANN)的智能预测方法比较,该模型优点是明显的:①将神经网络迭代学习问题转化为直接求解多元线性方程;②整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性。最后,一个实际的预测例子表明:该模型实现容易、预测准确,适用于小水电站预测。

基于LS-SVM的车牌图像倾斜校正新方法

为解决机动车牌图像倾斜对其字符分割与识别带来的不利影响,提出了一种基于最小二乘支持向量机的车牌图像倾斜校正新方法。详细介绍了LS-SVM求解倾斜向量算法和车牌图像校正步骤,并进行了实验比较。

基于WLS-SVM回归模型的电力负荷预测

针对电力系统年用电量增长的特点,提出一种基于加权最小二乘支持向量机(LS-SVM)的电力负荷预测模型。与标准LS-SVM的电力预测方法比较,该模型能通过设置训练样本权重比例,实现样本优化选择,达到历史数据"重近轻远"的学习效果,从而能有效提高预测精度。通过具体实例验证,WLS-SVM模型预测精度明显优于标准LS-SVM模型,说明本文模型实现容易,鲁棒性好,预测精度高。

铣削加工粗糙度的智能预测方法

提出了一种基于最小二乘支持向量机的铣削加工表面粗糙度智能预测方法。首先进行了铣削工艺参数对工件表面粗糙度影响的正交实验,再通过对主轴转速、进给速率和切削深度三因素,以及各因素之间交互三水平实验的数据分析,找出了铣削工艺参数对工件表面粗糙度影响的一些规律。利用最小二乘支持向量机算法建立了铣削预测模型,通过该模型能在有限实验基础上利用工艺参数方便地得到粗糙度预测值。实际预测表明,在相同情况下,该模型构造速度比反向传播神经网络建模预测方法高2个~3个数量级,预测精度高10倍左右。