基于支持向量机的水下机器人操纵运动参数辨识

根据平面运动机构试验所得到的水动力系数确定水下运载器的运动方程,应用最小二乘支持向量机对水下运载器的试验数据进行分析,辨识得到了水动力系数,并将辨识得到的参数同平面运动机构试验所确定的参数相比,验证了最小二乘支持向量机进行水下运载器操纵运动参数辨识的有效性。根据所辨识的水动力系数进行了模型验证,证明所辨识得到的水动力参数是可靠的。该方法对水下运载器的操纵和控制的研究有重要意义。     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

基于LS-SVM模型的无级变速器夹紧力控制系统故障诊断

在不增加硬件成本和过大的运算量的前提下,研究了基于模型的无级变速器夹紧力控制系统故障诊断方法.提出了根据测得的信号以及全局和部分元件诊断模型的输出结果来完成故障隔离与定位的诊断策略;针对系统的非线性特征,采用最小二乘支持向量机建立反映其输入输出关系的非线性预测模型.测试结果表明所建立的故障自诊断系统具有较高的精度和反应速度,可以粗略地实现故障的隔离和定位.     

关于支持向量分类机算法的研究

研究分析了标准的支持向量机（C-SVM）、v支持向量机（v-SVM）等五种算法,利用仿真实验从分类精度,计算效率,扩展性等五个方面对上述五种算法进行了分析比较。     

不同SVM算法在入侵检测中的应用

近年来支持向量机在入侵检测领域得到了广泛应用,由于支持向量机理论在发展过程中不断涌现出新的算法,为了找到一种较适合入侵检测的算法,选择了具有代表性的基于C-SVM的SMO算法和一种新的支持向量机LS-SVM,分别应用于入侵检测.使用不同规模训练集和测试集进行多组实验,从不同角度研究了它们在入侵检测中的特性,并进行综合比较研究,从实时性、检测精度、误报率和漏报率方面研究它们在入侵检测中的优劣,找出较优的算法为SMO算法.     

基于LS-SVM的基坑周边地表沉降预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,以已有的周边地表沉降为样本,利用最小二乘支持向量机（LS—SVM）建立基坑地表沉降预测模型,应用网格搜索算法优化模型参数,时基坑周边地表沉降进行连续滚动的多步预测。实例分析结果表明,LS—SVM用于基坑周边地表沉降预测效果较好,具有所需数据少、推广能力强等优点。     

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。     

基于灰色关联分析的LS-SVM铁路货运量预测

为提高对铁路货运量的预测精度及建模速度,在分析货运量影响因素基础上,提出基于灰色关联分析的LS-SVM铁路货运量预测方法。将货运量影响因素分为社会需求与铁路供给两方面因素,采用灰色关联分析法对两方面因素与货运量进行相关性分析,根据灰色关联度值,结合定性分析筛选LS-SVM输入变量,简化LS-SVM结构,再通过随机权重粒子群(SIWPSO)算法优化选择LS-SVM模型参数。通过对我国1980～2009年铁路货运量实例分析表明:该方法具有较快的收敛速度和较高的预测精度。     

基于LS-SVM的间断性需求备件预测

我国近年引进国外装备时间不长,其备件的历史数据较少、需求具有间断性且具有大量零值,给预测工作带来了一定的困难。文章提出应用最小二乘支持向量机（Least Squares Support Vector Machines LS-SVM）这一新的机器学习方法来实现间断性需求备件的预测,建立了舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,结果表明：LS-SVM在间断性需求备件预测上表现出优秀的学习和预测能力。     

基于LS-SVM算法和性能可靠性的航空发动机在翼寿命预测方法

以航空发动机的实际性能监测数据为基础,建立了时变性能退化模型,并进行了性能趋势预测。根据监测数据中大量与在翼寿命紧密相关的信息,分析了性能退化过程与失效分布函数之间的关系,得到了给定可靠度下的航空发动机在翼寿命。以航空发动机的实际在翼寿命为基础,利用K-S拟合检验方法对在翼寿命分布模型进行检验,采用最小二乘支持向量机确定了模型参数。结合性能退化趋势,计算了修正后的航空发动机在翼寿命,并以6台PW4000航空发动机为案例进行实例验证。分析结果表明:当正则化参数分别为25、37、28、40、27与35时,6台PW4000航空发动机的实际在翼寿命依次为6 921、7 160、7 820、8 490、8 498、6 921循环,对应的在翼寿命预测值依次为6 534、6 726、7 378、7 940、9 103、6 534循环,最大相对误差为0.071 190,最小相对误差为0.055 917,平均相对误差为0.060 824,可见,提出的方法可以很好地满足工程实际需要。