基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于支持向量机的都市圈客运量预测模型

将都市圈客运量样本数据集分为训练集、测试集和检验集,采用最小最终误差预测准则确定预测值的损失函数参数与惩罚因子,选取ε-不敏感损失函数与高斯核函数减小预测复杂性,构建了基于支持向量机的都市圈客运量预测模型,并通过逐渐改变损失函数、惩罚因子与高斯核函数参数的取值,对京津冀都市圈客运量进行了预测。预测结果表明:客运量预测的平均相对误差为0.15%,预测值与实测数据拟合良好,整体变化趋势一致,反映了预测模型的可靠性。     

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.      

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于支持向量机的物流量预测——以成都市为例

考虑到支持向量机强大的泛化能力,运用支持向量机技术预测了成都市近期和中期物流量.研究表明,随着样本数据的增加,支持向量机的预测值与实际值间的相对误差总体呈下降趋势,并且与多元线性回归方法相比,支持向量机具有较高的预测精度,证明了支持向量机用于物流量预测的有效性.     

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。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

Least Squares Support Vector Machine Based Real-Time Fault Diagnosis Model for Gas Path Parameters of Aero Engines

Least squares support vector machine (LS-SVM) is applied in gas path fault diagnosis for aero engines.Firstly,the deviation data of engine cruise are analyzed.Then,model selection is conducted using pattern search method.Finally,by decoding aircraft communication addressing and reporting system (ACARS) report,a real-time cruise data set is acquired,and the diagnosis model is adopted to process data.In contrast to the radial basis function (RBF) neutral network,LS-SVM is more suitable for real-time diagnosis of gas turbine engine.     

基于RBF近似模型的磁悬浮轴承结构优化设计

主动磁悬浮轴承（active magnetic bearing，AMB）-转子系统中，转子质量分布上的不平衡引起不平衡振动，为提高系统的稳定性、减小转子在一阶弯曲临界转速处的不平衡振动，建立了考虑不平衡力和不平衡磁拉力的磁悬浮柔性转子机电一体化模型，并结合径向基（radial basis function，RBF）神经网络算法，得到转子振幅关于磁悬浮轴承结构参数的近似模型；以振幅最小为目标，通过参数灵敏度分析和多岛遗传算法（multi-island genetic algorithm，MIGA）对磁悬浮轴承进行结构优化设计. 数值仿真结果表明:在一定范围内增大磁悬浮轴承的偏置电流、磁极面积、线圈匝数，减少单边气隙能够增大系统阻尼，可以降低一阶弯曲临界转速处的不平衡振动幅值，优化后不平衡振幅较优化前减少近50%.      

基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测, 构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型; 使用多尺度排列熵算法对时间序列进行变点分析, 求解出性能退化过程中的突变点, 得到了有故障征兆的性能退化起始点; 构建了包含多变量的长短时记忆神经网络模型, 将多个状态参数代入到模型中得到对应的剩余寿命; 将变点后的航空发动机多状态参数和剩余寿命作为样本, 代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测; 通过综合航空发动机状态参数变点分析方法和时间序列预测模型, 得到最终的剩余寿命预测结果。研究结果表明: 多尺度排列熵算法能够及时监控各个状态参数的变化, 当发现状态参数异常时, 排列熵的值会发生跳变, 从而有助于及时发现故障征兆; 长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选, 充分保留了有效信息用于时间序列预测; 多变量长短时记忆神经网络能够对多状态参数进行同步分析, 并且将状态参数直接与剩余寿命相对应, 提高了模型效率; 通过多尺度排列熵算法和长短时记忆神经网络模型的结合, 能够考虑到航空发动机的多退化模式, 得到更符合实际退化过程的剩余寿命预测结果; 经过算例分析, 提出方法的剩余寿命预测的均方根误差为5.3, 与长短时记忆神经网络、反向传播神经网络和支持向量机相比, 误差分别降低了63%、72%和78%。      

基于Kriging算法的压气机健康参数主从式插值建模

针对航空燃气轮机压气机数字化建模过程中由于缺少压气机流量系数导致模型精度偏低的问题,基于Kriging插值算法构造了面向压气机流量系数估计的主从式建模方法,分析了高维空间下对应于不同压气机换算转速的流量系数分布特征;基于流量系数的特征提取方法探索了流量系数、换算转速、增压比之间的映射关系,并提出了关于这三类参数的多维样本向量构造方法;基于Kriging算法建立了适用于燃气轮机过渡工况下压气机流量系数主从式插值模型. 研究结果表明:与传统的Kriging插值方法及牛顿插值法相比,基于主从式模型的流量系数计算结果更接近实际值,计算精度提高了近10%;主模型可输出流量系数的估值向量,插值效率相比传统Kriging模型提高了近15%.      

Kinetic characteristic for a synchronal rotary compressor

The synchronal rotary compressor is si mple instructure,but it has stronger adaptability for a vari-ety of working medium,so it is a good type as aircompressor,oil pump andrefrigerationsystemcom-pressor.The geometric theory and structure charac-teristics of this mechanis m are introduced[1].Itgives the designing background for the synchronalrotary compressor.The calculational methods of arotary speed of cylinder and relative speed bet weenthe cylinder and bladed rotor are deduced in detail;the…     

融合稳定性的高速无人驾驶车辆纵横向协调控制方法

提出了一种纵横向协调控制的路径跟踪控制方法; 建立了车辆预瞄误差模型和考虑路面地形的高速车辆等效动力学模型, 以此引入道路曲率地形因素; 基于模糊规则设计了预瞄距离发生器, 解决预瞄误差模型中固定预瞄距离的问题; 建立了预测时域与道路曲率的函数关系, 运用模型预测控制算法求解前轮转角, 从而建立路径跟踪控制器; 运用指数模型表示车辆期望车速, 设计了比例积分微分纵向控制器控制车速以改善路径跟踪精度; 运用质心侧偏角相平面图表征车辆稳定性特征, 设计比例积分微分稳定性控制器以改善车辆稳定性。研究结果表明: 提出的控制方法能在不同附着系数路面上对车辆跟踪性能进行优化, 在干燥沥青路面以车速90 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少33%;在潮湿沥青路面以车速70 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少30%;在冰雪路面以车速55 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少16%。可见, 所提出的控制方法能有效改善路径跟踪精度。      

大功率PEMFC空气系统电流跟随分段PID控制方法研究

为优化大功率燃料电池系统空压机控制效果,基于离心式空压机系统模型,提出了大功率质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)空气供给系统的电流跟随分段PID控制方法.该方法以离心式空压机响应特性为基础,以实际工作电流为跟随目标,在动态响应与稳态控制阶段采用不同的PID参数进行闭环控制,并进行了模拟仿真研究.最后,在实验室已有的150 kW燃料电池系统基础上的实验验证,模拟仿真与实验验证结果表明,仿真模型计算误差控制在5%以内,准确的反映了离心式空压机与空气供给系统的特性,所提出的大功率PEMFC空气供给系统的电流跟随分段PID控制方法不仅能够满足PEMFC电堆稳态控制要求,同时将动态响应时间缩短至3 s以内,控制效果良好.      

基于Lyapunov理论的交流传动系统建模和稳定性分析

为完整分析PWM整流器-逆变器-电机串联交流传动系统的稳定性跟随主要系统参数变化的规律,基于各子系统的开关函数模型,结合空间矢量脉宽调制算法的开关函数在dq坐标系下的等效表达式,建立整个系统的状态空间模型,采用偏微分法进行线性化处理,得到系统的增量方程;基于Lyapunov第一法,采用MATLABMAT语言对系统的稳定性进行分析．仿真结果表明：在传动系统全速度范围内,增大PWM整流器滤波参数和电机定转子电阻有利于增加系统的稳定性,电机定转子电感的变化对系统稳定性的影响呈双极性变化．因此,合理选择系统设计参数,能够使系统保持较大的稳定区域,避免系统振荡现象的发生．     

基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.