加权支持向量回归算法在船舶智能建模中的应用

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,将高斯核参数加权与支持向量回归算法相结合,实现了一种"基于高斯核参数加权的支持向量回归算法".在该新算法中引入一种带权重因子的核函数,其中权重因子由输入向量来确定,同时将该算法应用在散货船舶主尺度要素智能化建模中并与常规算法进行了比较.试验结果表明了这种改进的支持向...     

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。     

基于SVM的大型集装箱船上层建筑振动预测方法

基于支持向量机,采用RBF核函数,以某集装箱船上层建筑舱室振动为训练样本,建立了集装箱船上层建筑舱室振动的非线性回归模型,对该船上层建筑部分舱室振动进行预测。通过对上层建筑振动特征的分析,构造转换系数,提高了模型的通用性,并应用此模型对另一艘集装箱船上层建筑舱室振动进行预测。预测结果表明:应用SVM非线性回归模型对大型集装箱船上层建筑舱室振动进行预测是可行的,预测效果较为理想。     

基于最小二乘支持向量机的船舶水下焊接质量在线监测

以径向基函数(radial basis function,RBF)为核函数,将最小二乘支持向量机(least squares support vector machines,LSSVM)预测模型应用于船舶水下焊接质量在线监测.提出了一种自适应优化方法确定该模型中的可调超参数和核宽度参数,并建立了实时显示和报警系统.实验结果表明,该方法预测误差较小,建模耗时少,适合于船舶水下焊接质量在线监测.     

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.     

支持向量机在船舶电力推进系统故障诊断中的应用

针对人工神经网络收敛速度慢、容易陷入局部最优解等不足,本文采用支持向量机技术建立船舶电力推进故障诊断系统。确定支持向量机的核函数和分类方法,结合训练样本,采用基于网格搜索的K重交叉验证法进行核函数的参数优化,从而得到支持向量机故障诊断模型。利用支持向量机工具箱函数,在MATLAB中进行故障诊断模型的仿真计算,结果表明基于支持向量机所建立的故障诊断模型有较强的诊断准确性和泛化推广能力,从而提高船舶的安全性。     

SVM在船舶柴油机故障检测系统中的应用研究

支持向量机(Support Vector Machine,简称SVM)是目前模式识别领域中最先进的机器学习算法,采用了核函数的思想,把非线性空间的问题转换到线性空间,降低了算法的复杂度.文中对SVM在船用柴油机故障诊断中的应用进行了论述,运用支持向量机理论对其进行了故障诊断的仿真研究和试验研究.     

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。     

基于灰色支持向量机的大型集装箱船上层建筑舱室的噪声预测

以A集装箱船上层建筑舱室噪声实测值为训练样本,利用灰色预测中"累加生成"的优点对训练样本进行处理,使其更具规律性.选用ERBF核函数,建立集装箱船上层建筑舱室噪声的灰色支持向量机预测模型,应用此模型对B集装箱船上层建筑舱室的噪声进行了预测.最后,将此模型推广到了散装货船的舱室噪声预测中.预测结果表明,将灰色理论与支持向量机相结合,能更好地提高船舶上层建筑舱室噪声的预测精度.     

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。