基于改进支持向量机(SVM)模型的荆州港吞吐量预测

在编制港口总体规划过程中,港口吞吐量的预测对于提出规划方案至关重要,支持向量机(SVM)方法是港口吞吐量预测较为常见和有效的预测方法。针对港口吞吐量预测影响因素复杂的问题,以荆州港总体规划为实例,研究分析了影响港口吞吐量的主要指标因素。在采用SVM预测方法的基础上,运用遗传算法(GA)、网格搜索算法(GS)对SVM模型主要参数进行优化改进,GA-SVM和GS-SVM模型预测结果都是在支持向量机预测方法的基础上,采用遗传算法和GS方法对支持向量机模型的主要参数进行优化和改进,并用MSE和R2检验了遗传支持向量机和GS支持向量机模型的预测结果。改进后的SVM模型是在当前研究成果基础上提出的一种新港口吞吐量预测方法,可将该模型在港口总体规划工作中进行推广应用。     

基于LS-SVM船舶动力定位有限时间控制器设计

为了解决船舶模型存在任意不确定性的船舶动力定位问题,基于有限时间Lyapunov理论提出了一种非奇异快速终端滑模控制策略,提高了系统收敛速度及抗干扰能力。针对模型不确定性问题,利用最小二乘支持向量机(LS-SVM)的非线性函数逼近技术进行补偿控制,引入“最小参数”技术,将在线学习参数减少到一个,解决了“维数灾难”问题。最后的仿真对比结果验证了提出的控制策略的优越性。     

船用中速柴油机故障诊断技术研究

为了提高船舶柴油机故障诊断的准确性,实现对故障的精准定位,文章以6DE-18型船用中速柴油机为研究对象,从故障产生的机理入手,采用仿真软件建模,选取具有代表性的热力参数作为特征值,运用粒子群算法优化的支持向量机数学模型(PSO-SVM)进行故障诊断,并通过试验验证该故障诊断的准确性,改进了船用中速柴油机故障诊断的模式,...     

基于高光谱的复合绝缘子电晕老化状态评估

复合绝缘子由于其良好的憎水性和憎水迁移性在输电线路上得到了广泛应用,而电晕放电会造成复合绝缘子老化加剧而丧失性能. 为此提出了一种基于高光谱技术的复合绝缘子电晕老化状态评估方法. 首先,对全新硅橡胶复合绝缘片进行电晕老化,分析样本的傅里叶红外光谱变化,以傅里叶红外光谱图像作为老化状态分类的依据,将样品分为6个类别;然后,利用高光谱成像仪获取硅橡胶片表面不同波段的反射强度,采用主成分分析（principal component analysis,PCA）对原始谱线进行特征提取;最后,建立基于支持向量机的电晕老化状态评估（support vector machines-insulator corona aging status evaluation,SVM-CASE）模型,对60组预测数据进行分类验证,并对比分析了不同核函数对于模型评估准确率的影响. 高光谱检测及评估结果表明:不同老化时间下试样的高光谱图像有明显的区别,随着老化时间的增加,硅橡胶绝缘材料的光谱曲线在600～900 nm呈现反射率下降趋势;采用PCA算法进行特征提取后,利用polynomial核函数建立的评估模型的分类准确率达93.333%.      

大型船舶汽包水位SVM预测控制研究

为了提高大型船舶(蒸汽动力)在海战、避碰等特殊情况下的机动灵活性,保证锅炉汽包水位在规定的范围内波动,降低汽包水位暂态超调和稳态误差是十分必要的.在基于支持向量机的模型预测控制(MPC)算法的基础上,结合模型预测控制、串级调节的优点,提出了锅炉汽包水位控制系统的控制策略.内回路采用模型预测控制,快速消除给水流量的扰动;外回路采用基于结构不变性原理的前馈补偿控制,解决蒸汽流量的扰动问题;同时,MPC的强鲁棒性保证了在对象特性变化的情况下系统仍具有良好的调节品质.仿真结果表明该控制策略有效,并具有很强的实用性.     

基于改进的支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分累方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能。针对一对一支持向量机方法进行了改进,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。     

引航道与河流主航道的夹角对通航条件影响试验

分析总结了山区河流通航建筑物引航道与河流主航道夹角形成的因素。通过概化物理模型和船模航行试验,研究了船闸布置在弯道凸岸以及引航道与河道斜交布置2种条件下,引航道与河流主航道不同夹角时,口门区和连接段的通航条件。试验表明,当船闸布置在弯道凸岸附近,河道流速为1.5～2.0 m/s时,转弯夹角宜小于20°;当引航道与河道斜向布置,河道流速为1.5 m/s时,夹角宜小于等于25°,当河道流速为2.0～2.5 m/s时,夹角宜小于等于20°。     

基于PCA-SVM的DCT汽车驾驶员起步意图识别

针对目前对于双离合自动变速器(Dual Clutch Transmission,DCT)汽车驾驶员起步过程中意图变化的研究有限,且现有方法的识别准确率不高这一问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)的变化起步意图识别模型。根据驾驶员针对车辆反馈的反应时间,将起步过程划分为6个阶段;基于K均值聚类确定各个阶段的缓慢起步、一般起步、紧急起步这3种起步意图的界限;基于主成分分析挖掘出各个阶段起步意图识别的新特征;在此基础上构建6个SVM模型,并利用这6个模型分别对各阶段的起步意图进行识别。经过验证,该模型的平均测试准确率为94.92%,比只利用线性SVM模型高16.89%,且单个模型的平均耗时为0.008 s,能够快速有效地识别出DCT汽车驾驶员的起步意图。     

基于机器学习的汽车后视镜气动噪声预测方法

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。