基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型（ARMA）的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性．仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性．     

PSO优化的LS-SVM在列车弓网系统的建模研究

提出基于粒子群(PSO)优化最小二乘支持向量机(LS-SVM)的列车弓网系统建模方法。针对LS-SVM的超参数难以选择的问题,提出采用具有全局搜索性能的PSO优化LS-SVM超参数的方法。在建立弓网子系统模型的基础上,得到了弓网系统的整体动力学方程。最后进行弓网系统的仿真实验,结果表明,所提出的PSO优化LS-SVM模型比LS-SVM模型、子空间模型具有更高的预报精度,所提出的方法用于列车弓网系统的建模是有效的。     

基于最小二乘支持向量机的乐器音乐分类

提出使用最小二乘支持向量机LS—SVM（Least Squares Support Vector Machines）算法进行乐器音乐分类,从而实现乐器的辩识。在对Ls—sVM理论进行深入探讨的基础上,选择乐器音乐clip作为样本,进行特征提取,提取的特征包括频谱特征,短时自相关系数和MFCC等,然后用最小二乘支持向量机算法进行分类。对古琴、古筝、箜篌和琵琶音乐采取样本进行仿真实验,求得分类准确率和运行时间,同时使用逻辑回归（Logistic Regression）算法进行对比试验,其中最小二乘支持向量机和逻辑回归分类的准确率分别为96．5％和92．5％,且LS—SVM的运行时间比Logist的少。实验结果表明最小二乘支持向量机具有更为优越的分类性能和非线性处理能力,可以推广用于解决其它实际分类问题。     

基于最小二乘支持向量机阀控式铅酸蓄电池寿命预测

提出了一种新的电池寿命预测模型,即基于最小二乘支持向量机的电池寿命预测.首先阐述了最小二乘支持向量机的主要思想和基本算法,然后建立寿命预测模型,并利用此预测模型对实验数据进行了比较验证.验证结果表明,该模型在阀控式铅酸蓄电池寿命预测中具有很好的实用性,预测值与实测值能够保持很好的一致性.因此,基于最小二乘支持向量机的阀控式铅酸蓄电池寿命预测方法是切实可行的.     

多核SVM对传感器动态建模的研究

针对传感器的动态特性,提出了一种基于多核最小二乘支持向量机对传感器进行动态建模的方法.通过不同核函数的线性加权组合构造新的等价核,由于构造的等价核函数兼具了全局核函数和局部核函数的优点,从而降低了建模精度对核函数及其参数的依赖性.在理论上详细介绍了多核最小二乘支持向量机回归参数和模型输出值的求解方法.通过仿真实验验证了该方法的可行性.将该方法与标准的最小二乘支持向量机方法进行比较,证明了该方法在一定噪声存在的情况下,具有良好的抗噪性和较高的建模精度.     

����PSO-SVM�ľ�����з�ʽԤ��ģ�ͪ�

居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.     

最小二乘小波支持向量机在电力负荷预测中的应用

针对中期电力负荷预测问题,提出了一种基于多维允许小波核的最小二乘小波支持向量机(least squares wavelet support vector machines,LS-WSVM)方法,并且给出了一种可有效求解LS-WSVM的Cholesky分解算法.该方法结合小波技术和最小二乘支持向量机,其中小波核函数具有近似正交以及适用于局部信号分析的特性.将LS-WSVM应用于电力负荷预测的两个实例中,结果表明,与LS-SVM、标准SVM、多层前向神经网络等方法相比,LS-WSVM均能给出相当好的预测性能,所提出的用于中期电力负荷预测的LS-WSVM方法显示了其有效性和应用潜能.     

基于智能优化方法的SVM电机故障诊断模型研究

为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

基于LS—SVM逆系统方法的非线性动态矩阵控制

针对神经网络逆系统建模存在的诸多问题,提出了基于最小二乘法支持向量机的α阶逆系统方法的非线性动态矩阵控制新方法．将最小二乘支持向量机辨识非线性对象的α阶逆模型与原系统串联组成伪线性系统,根据线性动态矩阵预测控制方法对伪线性系统进行控制．仿真结果表明,系统存在扰动和模型参数发生变化时,依然具有很好的动、静态性能,且表现出很强的鲁棒性,证明了方法的有效性．该方法不依赖于系统的数学模型,简化了非线性对象动态矩阵控制器的设计,为非线性预测控制的研究提供了一种新途径．     

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.     

基于改进同伦算法的非线性最小二乘平差

为了寻求一种更有效的非线性最小二乘平差算法,根据同伦思想提出了一种改进的同伦算法．该算法直接从非线性方程入手,将非线性最小二乘平差准则转化为同伦最小二乘平差准则;根据最优化问题的极值条件,将同伦最小二乘平差准则转化为求解非线性方程组的不动点同伦问题;在Li-Yorke算法的基础上,对切向量及步长求解进行改进,并用于求解微分方程初值问题,进而跟踪同伦曲线．对改进同伦算法的收敛性进行了分析,并采用Matlab语言编程进行了试验．结果表明,较之牛顿迭代法和Li-Yorke算法,改进同伦算法是一种结果稳定、精度较高、速度较快和收敛域扩大的整体收敛方法．     

膨胀土表面裂隙参数数据处理方法研究

利用最小二乘和偏最小二乘回归方法,对比分析了干湿循环作用下膨胀土表面各裂隙参数之间的关系,并导出了相应的公式.结果表明;偏最小二乘回归方法比最小二乘法的拟合参数关系更接近实测值,在自变量具有强相关性的情况下建立的计算模型,更为有效地解决变量间多重共线性问题,对岩土参数问题的分析具有指导意义.     

基于IBA-SVM的变压器故障诊断

为提高变压器故障诊断精度,准确映射变压器故障类型和特征气体的非线性关系,提出一种基于改进蝙蝠算法(improved bat algorithm, IBA)优化支持向量机(support vector machine, SVM)的故障诊断方法.在蝙蝠算法(bat algorithm, BA)的基础上引入惯性权重和莱维飞行机制,有效提高了寻找最优SVM惩罚因子和核函数参数的能力.将改进后的蝙蝠算法用于SVM的寻找最优参数并建立故障诊断模型.实验结果表明,采用IBA-SVM模型进行故障诊断与采用固定参数的支持向量机模型和粒子群算法优化支持向量机模型相比故障诊断精确度更高,基于IBA-SVM的故障诊断模型的诊断正确率可达到94%,有效提升了分类准确度.     

一类支持向量机在车辆识别中的应用

支持向量机分类方法已经在实际应用中显示了良好的学习性能,其最初是针对二值分类问题提出的.如何有效地将支持向量机推广到多值分类中一直是人们关注的课题.通常的多值分类问题是一系列二值分类来实现,可是这将导致较高的计算复杂性.本文将一类支持向量机推广到多值分类情况,并将其应用于车辆识别中.仿真实验结果表明了所给方法的可行性及有效性.     

噪声背景下的语音情感识别

为有效实现含噪声的语音信号情感类型的识别,提出了一种基于抗噪声的模糊最小二乘支持向量机的语音情感识别新方法．该方法先提取情感语音的韵律特征和音质特征,再利用模糊最小二乘支持向量机构建最优分类超平面,实现生气、高兴、悲伤和惊奇4种情感类型的识别．试验结果表明,与其他多种语音情感识别方法相比,在不同信噪比下,新方法的情感正确识别率较高,抗噪声识别效果较好,表明了其有效性．     

地铁自动检票机故障分析及可靠性研究

考虑到地铁自动检票机组成复杂且故障形式多样,对其进行故障分析并以二参数威布尔分布为基础,提出一种基于混合威布尔分布的设备可靠性评估模型。为提高模型拟合精度,基于误差平方和最小思想构建非线性最小二乘参数优化估计模型并使用粒子群算法(PSO)进行最优参数求解。以南京地铁油坊桥车站自动检票机实际故障数据为例,进行实例验证。结果表明,基于PSO算法的混合威布尔分布可靠性评估模型优于传统单威布尔分布,其均方根误差、平均绝对百分比误差、皮尔逊相关系数均为最优。     

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测，提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明：动态惯性权重对支持向量机核函数参数的寻优速度更快，收敛精度更高，采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高，预测效果良好，可较为准确的实现深基坑的变形预测。