最小二乘支持向量机在船舶交通流特征分析中的应用研究

船舶交通流分布特征的研究可为船舶通航安全管理与航道规划设计提供基础性依据,而从离散的船舶交通流数据中拟合出其分布函数是研究其分布特征的关键。本文把最小二乘支持向量机引入到船舶交通流数据拟合中,代替传统的最小二乘法解决离散数据拟合问题。构建了基于最小二乘支持向量机的离散数据拟合模型,并对船舶交通流数据拟合进行了研究。结果表明,该方法在处理离散数据的回归拟舍时能获得较好的逼近曲线,且预测结果也具有一定的参考价值。     

粗糙集和最小二乘支持向量机的船舶汽轮工况分析

汽轮是保证船舶正常航行的重要设备,对船舶汽轮工况进行分析具有重要意义,针对当前船舶汽轮工况分析方法误差大、效率低等不足,设计了基于粗糙集和最小二乘支持向量机的船舶汽轮工况分析方法。首先对当前船舶汽轮工况研究现状进行分析,找到船舶汽轮工况分析误差大、效率低的因素,然后从船舶汽轮工作状态信号中提取工况分析特征,通过粗糙集算法对工况分析原始特征进行约简处理,减少工况分析特征数量,提高船舶汽轮工况分析效率,最后约简处理后船舶汽轮工况分析特征作为最小二乘支持向量机的输入向量,船舶汽轮工况状态作为最小二乘支持向量机的输出向量,构建船舶汽轮工况分析模型,并进行船舶汽轮工况实例分析。本文方法得到令人满意的船舶汽轮工况分析结果,提高了船舶汽轮工况分析精度,船舶汽轮工况分析速度得到了大幅提升,比其他船舶汽轮工况分析模型具有更高的实际价值。     

最小二乘支持向量机的舰船航向保持非线性控制

现有的舰船航向保持非线性控制在建模过程中最多只能包含3个自由度,导致舰船航向控制不精准。为此设计一种最小二乘支持向量机的舰船航向保持非线性控制方法。首先使用局部最小二乘支持向量机对航行中的舰船进行建模,能够描述出舰船实际航行中的6个自由度,并使用等式约束代替不等式约束,引入反馈校正环节,弥补缺陷,完成模型的构建。在控制算法的设计中,使用模型训练误差均平方值代替松弛变量,且训练过程只需要求解一个线性方程组,简化了运算,使用动态抗饱和补偿器得到最优参数,实现舰船航向保持的非线性控制。通过仿真实验结果表明,使用本文控制方法控制船只的航向角和舵角,控制精度更高,效果更好。     

基于最小二乘支持向量机的公路软基沉降预测

通过影响因素分析,确定了软土层厚度、软土层压缩模量、地表硬层厚度、地表压缩模量、路堤高度、路堤顶宽、路基填筑时间和填筑竣工时沉降量等参数对公路软基沉降有影响。对公路软基的观测数据进行分析和取样,输人样本为各参数,输出样本为路堤中线下地表沉降值,利用最小二乘支持向量机的非线性映射和泛化能力,通过训练,建立了公路软基沉降预测模型。研究表明．所建立的模型对公路软基沉降进行预测具有较高的精度．同时具有很好的泛化性能。     

基于支持向量机的船舶柴油机故障诊断的研究

通过建立VC维统计学习理论,利用数学建模,建立并划分最优超平面以取得支持向量来训练,选取并考虑相关的影响因子以此构建样本数据集,以期对柴油机故障实现精确的诊断;而对于非线性空间情况,可采用核函数的思想来转化为线性空间,以此降低算法的复杂度;通过与人工神经网络方法的比较,表明该方法具有运算速度快,泛化能力强等优点;支持向量机(SVM)可以较好解决柴油机故障诊断中的机器过学习、小样本、高维数、非线性等问题。     

基于支持向量机的船舶航向广义预测控制研究

船舶的动态性能具有大惯性、大时滞、非线性等特点,采用基于结构风险最小化原则的神经网络———支持向量机(SVM),充分发挥其可以任意逼近非线性模型的良好特性对船舶模型进行有效辨识,以此作为广义预测控制(GPC)算法中的预测模型,并加以相应的GPC算法达到保持航向的目的。仿真结果表明:SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于SVM的GPC算法在航向保持方面具有很好的控制性能。     

混沌海杂波背景下的基于对偶约束最小二乘支持向量机的信号检测技术

海杂波对雷达信号检测造成极大的干扰,如何从海杂波噪声中提取出目标信号是信号处理领域的难题。针对这一难题,本文以混沌理论为理论依据,分析海杂波的动力学特性,对海杂波进行相空间重构。结合对偶约束最小二乘支持向量机理论,建立信号检测模型,对混沌海杂波背景下的信号进行预测,并从预测误差中提取出目标信号。     

模糊支持向量机在船舶柴油机故障诊断中的应用

探讨了支持向量机（SVM）的机理，并通过计算每一个样本的模糊隶属度，引入了模糊支持向量机（FSVM）的概念，解决了SVM中的不可分区域问题；应用FSVM对船舶电站主柴油机进行故障诊断，研究了FSVM参数的选择方法。仿真结果表明，FSVM具有较好的诊断效果和较强的抵抗噪声的能力。     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于支持向量机的约束船模斜拖试验分析

应用支持向量机对KVLCC2约束船模斜拖试验结果进行了分析,通过对有限样本数据的拟合,辨识了描述船体横向力和转首力矩的数学模型中的水动力导数。应用所获得的回归模型,对不同工况下的测试样本进行预报,预报结果和试验结果的比较验证了方法的有效性,可以用于指导约束船模试验。     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

基于灰色加权关联与MS-LSSVM组合的舰船备件需求预测

运用灰色加权关联方法对影响远海舰船备件消耗的主要因素进行分析,以确定备件消耗影响因素的权重大小,以此为依据来筛选出主要影响因素,在此基础上运用支持向量机理论,建立灰色加权关联分析与多尺度最小二乘支持向量机组合的学习模型,将筛选得到的主要影响因素的样本值作为输入值进行学习训练,较好地解决了影响因素与备件消耗之间的非线性关系。实例应用表明,该模型对舰船备件需求的预测具有较高的精度。     

基于剪辑支持向量机的雷达目标识别方法

支持向量机（SVM）具有分类精度高、泛化能力强等优点,已成功应用在雷达目标识别领域。但其性能受多种因素影响。针对低信噪比、分类面混迭、参数选取等问题,文章提出剪辑SVM分类器,通过小波去噪、剪辑、矩阵相似度优选参数等手段有效抑制上述问题的影响。外场实测数据的仿真也表明剪辑SVM的性能优于传统SVM与最近邻分类器。     

基于最小二乘和广义最小二乘的系统偏差估计研究

多传感器数据融合首先要解决误差配准问题,来估计系统偏差并消除它.把最小二乘理论运用于多传感器数据融合,能够得到系统偏差估计.分析最小二乘(LS)和广义最小二乘(GLS)的原理,并对两种算法进行了比较.     

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。     

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。     

小型机动平台上时间配准问题分析

介绍空中移动平台传感器定位算法并建立模型,通过Monte Carlo仿真实验及内插外推法将高精度观测时间上的数据推算到低精度时间点上。该方法能同时有效地估计目标运动状态和传感器配准误差．与传统配准方法相比具有更快的收敛速度和更高的精度。