The Application of Support Vector Machine to the Fault Identification of Vehicle Automatic Transmission

本文中提出基于支持向量机的汽车自动变速器故障识别方法.首先利用设计的虚拟测试系统采集自动变速器3种状态下的运行数据,再对数据进行整理和筛选,提取合适的数据作为训练样本,然后设计基于支持向量机的多值分类器进行故障识别,最后与基于BP人工神经网络的诊断方法进行对比.结果表明,基于支持向量机的故障识别方法具有更快的收敛速度和更强的分类能力,适用于汽车自动变速器实时故障识别和诊断.     

采用模糊数学理论进行深基坑优化选型时权重的选定

对采用模糊数学相关理论进行基坑优化选型中涉及的目标权重向量,应用层次分析法对其进行深度优化,达到增加优化选型结果的准确性及可迁移性。通过对2个基坑支护工程实例的方案选型,进一步说明此优化方案的必要性及实用性,提高决策者在方案选型过程中的科学性。     

自适应逆控方法的无人艇航向控制

无人水面艇(Unmanned Surface Vehicle,USV)的复杂性、非线性和多变量等特征使得其控制问题一直是难点和热点.支持向量回归机(Support Vector Regression,SVR)作为模型控制问题的一种新方法,能避免过学习、陷入局部极小点,获得全局最优解,有很大的发展前景.将SVR引入USV的航向控制,提出自适应SVR逆控制方法,以输入输出反馈线性化理论为基础,进行逆动态模型和逆误差补偿项的离线辨识,并将辨识的逆模型作为控制器,构造出直接自适应逆控制系统模型.最后通过仿真实验表明该控制方案具有良好的动态响应性能和控制效果.     

结构损伤识别的数值模拟

为了找到一个对小损伤较敏感的参数,在结构自由振动微分方程基础上,结合损伤结构的测试数据(用有限元模型的计算结果来模拟),得到残余向量,利用广义逆和矩阵投影定理,导出了一个具有很好识别效果的参数:残余向量投影范数.从中很容易确定出损伤单元,进而计算出这个损伤单元的损伤因子即损伤程度.通过算例分析,发现该参数对结构中损伤非常敏感,能识别出结构中的微小损伤,而且不受损伤位置的约束,仅需要结构的前几阶模态就能达到很好的效果.     

应用支持向量机的船舶操纵运动响应模型辨识

建模是评估船舶操纵性和可控性的重要前提.基于自由自航船模试验的系统辨识方法是求取船舶操纵运动数学模型中的水动力系数的有效手段之一.文中提出了一种使用支持向量回归估计的船舶操纵运动响应模型辨识方法,该方法通过训练自由自航试验数据样本得到参数回归模型.辨识和仿真结果验证了文中所提出的方法的有效性.     

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。     

基于支持向量机的铁磁构件裂纹识别

鉴于支持向量机的优秀特性,将其应用在金属磁记忆检测中,构造基于梯度值的裂纹标识量,实现对裂纹的定位和裂纹程度的标定,并通过有限元仿真,计算裂纹和裂纹程度及对应的漏磁信号,得到训练样本和测试样本,并训练支持向量机。仿真结果表明：应用支持向量机实现铁磁构件裂纹识别是可行的。     

基于最小二乘支持向量机的车辆跟驰行为模型

基于最小二乘支持向量机(Least squares support vector machine,LS-SVM)算法建立符合我国道路交通流特征的车辆跟驰模型,并用该模型模拟单车道道路上车辆的跟驰行为。采用NGSIM提供的数据对LS-SVM模型进行仿真验证,将测试结果与传统的Gipps模型进行对比。结果表明:与Gipps模型相比,LS-SVM模型对应的各项误差指标精度均有明显改善,能够挖掘变量之间的潜在关系,弥补传统车辆跟驰模型的不足。     

基于SVM的列车速度融合仿真测试平台设计

测速是城市轨道交通列车控制系统最基本的功能之一,为提高其测量可靠性,通常采用两种测速方式,然后对两种速度进行融合。文章提出一种基于支持向量机（SVM）的速度融合算法,设计了相应的测试平台。通过模拟各种速度工况对该算法进行验证,证明该算法具有较高容错能力,可以提高测速的准确性。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。