基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

基于AIGA-WLSSVM的埋地管道腐蚀速率预测方法

为了降低埋地管道腐蚀影响因素之间的复杂相关性,提高腐蚀预测精度,文中提出一种基于自适应免疫遗传算法-加权最小二乘支持向量机(AIGA-WLSSVM)的埋地管道腐蚀速率预测建模方法,并采用AIGA优化模型参数,进一步提高模型的学习能力和稳定性。最后通过实例分析验证了AIGA-WLSSVM建模方法在埋地管道腐蚀速率预测中的可行性和有效性,为埋地管道的检修与更换提供参考。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

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。     

山区双车道公路驾驶员疲劳特性研究

山区双车道公路由于地形条件限制线形复杂多变,山体及路侧植被遮挡视线的现象时有发生,增加了驾驶操作的难度和强度.导致驾驶操作频繁、精神紧张.长时间高强度、大负荷的驾驶操作极易产生驾驶疲劳,进而发生交通事故.因此,研究山区双车道公路驾驶员的驾驶疲劳特性,可为山区公路的交通安全设计和管理提供参考,预防交通事故,保证人车安全.     

基于支持向量机的发动机气路故障预诊断

为实现航空发动机气路故障在线预诊断,分析了地空数据链系统中发动机气路参数报文的协议格式,建立了基于支持向量机算法的发动机气路参数在线预测模型。以便携式地空数据链收发系统为硬件基础,构建发动机报文并行处理系统,获取建模所需的训练样本。利用最终误差预报准则确定样本数据嵌入维数,实现时序样本数据的相空间重构。提出自适应网格搜索法优化支持向量机建模参数,获得气路参数在线预测模型,与航路飞机建立地空数据链通信,预测气路参数趋势。预测结果表明:参数低压转子转速、高压转子转速、尾气温度与燃油流量的相对预测误差分别为2.5%、2.1%、1.9%与2.3%,因此,支持向量机模型具有较高预测精度。     

支持向量机增量学习算法研究

给出了使用多支持向量机进行增量学习的算法．传统的支持向量机不具有增量学习性能，而常用的增量学习方法各具有不同的优缺点，基于固定划分和过间隔技术，提出了使用多支持向量机进行增量学习的算法；使用此算法，针对标准数据集BUPA及用NDC生成的数据集OUTTRAIN进行了实验，结果表明，使用单一的支持向量机进行增量学习，不论采用过间隔还是固定划分技术，其增量学习的正确率不及使用多支持向量机增量学习算法的正确率。     

支持向量机对交通流量的预测模型

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,介绍了一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型,经实践证明能够较好地解决道路交通量预测问题。     

城市道路系统评估体系研究

城市道路系统评估是道路和相关交通规划的前置环节。通过分析城市道路与城市发展的关系、城市道路自身的技术、运行特性,从协调性、适应性、技术性能和运行性能4 个方面构建评估体系,并对后三者引入路网负荷度、路网密度、路网饱和度等指标进行定量评估。通过评估长沙市金霞经济开发区的路网进行实证分析,验证了该评估体系具备完整性和可参考价值。     

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法（Adaptive Lasso）进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明：Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.