加权支持向量回归算法在运力预测中的应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。本文在分析现有基于高斯核的支持向量回归方法优缺点的基础上,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一思维定势,提出了一种新的算法——"基于高斯核参数加权的支持向量回归机"算法,并将该算法应用在世界散货船队运力预测中。估算结果证明了这种改进的支持向量回归算法在船队运力预测中的有效性和实用性。     

一种新的支持向量回归算法及其在集装箱吞吐量预测中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地对应解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。文章提出了一种新的基于单参数的Lagrangian支持向量回归算法,并将该算法应用在集装箱吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在集装箱吞吐量预测中的有效性和实用性。     

基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机（Support Vector　Machines，SVM）是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能，该方法已成为当前国际机器学习界的研究热点，能较好地对解决小样本、高维数、非线性和局部极小点等实际问题。提出了一种基于单参数的Lagrangian支持向量回归算法，并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该方法已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。这里提出了一种基于单参数的拉格朗日(Lagrangian)支持向量回归算法,并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

船舶动力定位系统的在线模型预测控制

针对船舶动力定位问题提出了基于线性核函数在线支持向量回归的模型预测控制方案.在线支持向量回归算法的引入可以通过在线调整,确保预测模型的精确性.基于线性核函数的模型预测控制能够方便、迅速地求取控制律的解析表达式,保证控制律的最优性以及算法的快速性.仿真结果证明了该控制方案的有效性.     

基于机器学习的排泥管线压降预测

福建沿海地区的吹填工程中，主要的土质颗粒为中粗砂。该类型土质在输送过程中阻力大较易发生堵管，导致施工进程延缓。在输送环境下施工，掌握管路内输送阻力的实时信息至关重要。粗颗粒条件下，常用的经验方法如Durand公式法的计算精度较差。基于已有的管路输送研究，以及福建沿海工程的测试数据，使用高斯过程回归方法和支持向量机方法建立管路压降预测模型。两种回归模型均能在训练期得到较为理想的效果，模型R2指标达到0.80以上。在模型的预测期，支持向量机回归模型的R2指标为0.78，高斯过程回归预测模型的R2指标达到0.95。结果表明：基于高斯过程回归的机器学习模型能够较好地预测中粗砂吹填工程的疏浚参数。     

果蝇算法在基于LSSVM智能水下机器人操纵运动模型辨识中的应用

基于水下机器人的Z型仿真试验,应用支持向量机对水下机器人的操纵运动模型进行辨识,从核函数结构中得到水动力系数,并建立水下机器人的预报模型,引入果蝇算法对惩罚因子C进行寻优,以减少基于经验而选择的参数对辨识精度产生的影响。通过预报与仿真比较,验证了该方法的有效性。     

支持向量机回归方法在船型要素建模中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法，是一种处理非线性分类和非线性回归的有效方法。采用支持向量机回归算法对船型主要要素进行建模，并与常规的回归建模方法进行比较。同时应用实例进行论证，估算结果证明了这种支持向量机回归算法在船型要素建模预测中的有效性和实用性。     

快速SVM算法及在陀螺仪参数漂移预测中的应用

针对支持向量机在对海量训练样本进行训练时,训练速度慢而导致难以应用的问题,通过分析训练样本数目与训练时间之间的关系,利用支持向量机对小样本学习的良好特性,提出了基于样本分组的支持向量机快速训练算法.将海量样本分成小样本进行训练,然后对训练得到的多个支持向量机进行加权处理得到决策函数.此方法在标准数据以及陀螺仪参数漂移数据上进行了仿真应用,方针结果证明该方法可大幅提高训练速度,同时保证了较好的泛化能力.     

舰船装备维修费用预测的PSO-LSSVM方法研究

提出了一种基于粒子群优化的最小二乘支持向量机(PSO-LSSVM)模型的舰船装备维修费用预测方法,该方法利用PSO算法的收敛速度快和全局收敛能力,优化LSSVM模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,提高了LSSVM模型的预测精度.以某舰船装备维修费用为例进行实例验证,计算结果表明,这种方法比其他方法有更好的预测精度.     

一种多学科设计优化近似模型构建方法

通过采用单个参数控制样本的误差界限、采用Laplace损失函数和改变置信区间项,给出了一种基于单参数的Lagrangian支持向量回归算法。以实际数值函数为例,通过采用三组不同样本集进行拟合训练,构建了基于支持向量机的近似模型;以石油平台支援船总阻力估算为例,通过与模型试验及其他典型方法的对比,检验了算法用于近似模型构建的准确性和适用性。研究结果表明,采用支持向量机方法构建近似模型在小样本条件下比神经网络等传统方法具有更好的泛化性和推广能力,能够有效提高计算精度与优化效率,在复杂系统多学科优化设计中具有很大的应用价值。     

最大相关熵的船体分段扫描数据配准算法

三维扫描数据和工艺模型间的配准定位是船舶建造精度管理与控制的关键,采用常规的配准算法难以有效抑制粗差对位姿定位精度的影响。为实现快速、准确配准,给出合理的建造精度评价,提出一种基于最大相关熵的鲁棒性点云配准算法,以削弱粗差对配准精度影响。该算法的核心是将高斯核函数引入到配准学习中。通过构建以高斯核函数为核心的稳健估计模型,利用迭代策略反复测试关联参数。理论和实际算例验证了该算法的有效性和实用性,为船舶建造精度提高和后续装配提供参数。     

基于支持向量机的可靠性增长费用建模与分析

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法，具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数武器装备可靠性增长费用预测模型，然后对我军某型现役装备使用阶段可靠性增长费用数据进行了预测与分析。结果表明，与一般的回归分析相比，基于支持向量机的回归模型具有很好的预测精度。     

基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识

基于仿真的Z形试验数据,应用支持向量回归机对船舶操纵运动响应模型进行了机理建模,从核函数结构中得到了模型中的操纵性指数,并利用建立的响应模型进行了Z形试验的运动预报,同时引入粒子群算法对惩罚因子C值进行寻优,以减少惩罚因子C值选择的任意性对船舶操纵运动模型辨识精度产生的不利影响。通过将运动预报结果同仿真试验数据进行比较,验证了文中方法的有效性。     

基于粒子群优化支持向量回归机的渲染时间预估

通过对使用V-Ray渲染器的渲染系统进行深入分析,提取出影响渲染时间的13个特征参数,研究了基于粒子群优化支持向量回归机(PSO-SVR)的渲染时间预估方法,采用粒子群算法随机搜索策略优化支持向量回归机的训练参数,获得了较优的支持向量回归机预测模型,实现渲染时间的准确预估.实验结果表明,在渲染时间预估中,PSO-SVR比BP神经网络和逐步回归预测精度高,并且具有较好的泛化能力.     

基于特征加权支持向量机的武器系统效能评定方法

针对武器系统效能综合评定的任务需求,同时考虑到传统特征选择方法的不足,提出采用一种监督型封装模式的加权特征选择方法用于武器系统的效能评定,能有效区分不同特征对效能的影响程度。鉴于支持向量机的良好应用效果以及混合核函数的优良性能,采用基于混合核函数的支持向量机建立特征与效能之间的关系模型。考虑到特征选择和评估模型建立的目标一致性,提出一种基于粒子群优化算法的联合优化方法,同时实现特征的影响程度分析和效能评估模型的优化。最后以导弹系统的效能评定问题为背景开展应用分析,实际计算表明所提出方法的有效性。     

五自由度无轴承异步电机动态解耦控制

为实现五自由度无轴承异步电机高精度动态解耦控制,提出一种基于最小二乘支持向量机逆的解耦控制方法.首先,建立五自由度无轴承异步电机数学模型并进行可逆性分析,然后,利用最小二乘支持向量机在有限数据样本下对高维非线性函数的回归能力来辨识五自由度无轴承异步电机逆模型,并利用粒子群算法优化最小二乘支持向量机的参数,以提高对逆模型的拟合和预测精度,最后,将最小二乘支持向量机逆与原系统相串联得到伪线性系统,并设计PID闭环控制器对五自由度无轴承异步电机进行复合控制,实现了原系统径向位移、轴向位移、转速以及磁链间的非线性动态解耦.仿真研究验证了该控制策略的有效性.     

船舶操纵性能及其代理模型构建

为了提高船舶操纵性能计算效率,文章结合基于NAPA计算仿真结果和支持向量回归方法预报海洋平台支援船的操纵性能,在收集足够相关船型信息前提下,采用能够合理探索设计空间和抽样的拉丁超立方方法获取了30条样本船型数据。通过NAPA仿射变化、位移转换及根据船型设计变量进行局部调整从而生成系列船型以表达船体几何形状。针对每个船型,分别计算了5项操纵性衡准指标：进距、战术直径、横距、10°舵角第一超越角和20°舵角第一超越角。为提高船舶操纵性能的计算效率,文中利用作者早先新提出的一种单参数Lagrangian 支持向量回归算法来训练并构建代理模型以预报船舶操纵性能,该算法整合了Laplace损失函数,仅采用单参数控制计算误差并于置信区间中增加了b2/2项。以海洋平台支援船为例,采用SPL-SVR算法预报船舶操纵性能,并与基于NAPA计算仿真结果、人工神经网络、经典支持向量回归算法进行对比。不需要昂贵的仿真代码计算,文中采用SPL-SVR算法建立的船舶操纵性能响应面模型比较适合船型初步设计的工程实际应用,并具有较好的效率和适用性。     

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。     

基于DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。