基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

基于支持向量回归机的发动机/直升机扭矩超前控制

主要研究涡轴发动机转速按扰动补偿控制问题,提出了一种基于迭代约简最小二乘支持向量回归机算法和模型预测机制的直升机扭矩动态超前预测模型设计方法.首先用迭代约简最小二乘支持向量回归机设计了旋翼扭矩按飞行状态和操纵量估计的非参数动态反馈模型,然后设置了扭矩模型预测机制,以获得扭矩的超前动态信息.接着利用扭矩超前预测信息设计了...     

基于LS-SVM的模态参数识别方法

 最小二乘支持向量机回归用于系统的模态参数识别研究。针对经典的最小二乘支持向量回归缺少鲁棒性和稀疏性的缺陷,提出了一种兼具鲁棒性和稀疏性的最小二乘支持向量回归的算法,并保持了它原有的计算速度快的优点。最后,结合结构动力学方程的自回归滑动平均时间序列形式,给出了结构的模态参数提取方法和流程,给出了相应的数值算例以及进行了实验的检验证明。结果表明,本文的方法能够快速、准确地提取出系统的模态参数。     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

最小二乘支持向量回归机在可靠性分析中的应用(英文)

经典的响应面方法作为回归方法来模拟可靠性设计中的状态变量和基本变量之间的函数关系,用以解决直接数值模拟方法计算量大的问题。这类算法已经成功解决了一些隐式功能函数的可靠性分析问题,但它依据的"经验风险最小"原则影响了它的使用范围。基于"结构风险最小化"的支持向量回归机方法具有良好的小样本学习性能和泛化能立,比传统的回归方法具有优越性。但支持向量回归机方法对大样本的可靠性问题在时间和空间上开销巨大。为了克服这一不足,本文将最小二乘支持向量回归机引入到可靠性分析中。算例结果表明:基于最小二乘支持向量回归机的可靠性方法计算得到结果精度较高,在计算耗时上远小于支持向量回归机的可靠性方法,因此在工程应用上具有一定价值。     

基于最小二乘支持向量机的普通高校招生人数预测研究

近年来普通高校的发展速度与规模,使社会大众兴起了对教育质量与总量的关注。普通高校招生数预测是制定教育政策的重要依据。针对中国文化教育的特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的时间序列预测模型。预测结果表明该模型具有较高的预测精度,为普通高校招生数预测提供了一条新的途径。     

基于单纯B样条的航空发动机机载稳态模型研究

为了减小航空发动机稳态建模的模型误差、降低复杂度及提升其实时性,提出了一种基于单纯B样条函数的航空发动机稳态模型建模方法。该函数是局部多项式基函数的线性组合,因此求解该函数为线性回归问题,通过运用广义最小二乘方法来求解B系数,从而提高计算效率和提高模型精度。最后建立了基于该算法的二维和四维涡扇发动机稳态模型,并分别与相同建模样本条件下的多输入多输出约简迭代最小二乘支持向量机稳态模型进行了比较,表明了单纯B样条建模方法不仅继承了B样条的算法复杂度低、存储数据量小和实时性好等优点,同时避免了最小二乘支持向量回归机不能拟合大样本数据的缺点,且拟合效果优于最小二乘支持向量机。     

基于试验设计及支持向量机的向心叶轮结构优化设计方法

针对向心叶轮结构优化设计耗时长的难点,研究并采用了2类关键技术:其一是利用试验设计技术从大量的轮盘结构尺寸中挑选出重要尺寸作为优化设计变量,以减小优化问题规模;其二是利用支持向量机技术建立向心叶轮强度及振动分析的代理模型,以缩短分析时间.在以上研究工作的基础上建立了1种快速高效的向心叶轮结构优化设计方法.随后的1个算例表明:优化后的叶轮寿命提高4倍,优化设计时间为传统方法的1/27,具有良好的工程应用前景.      

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.      

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

基于时间应力分析的机内测试系统综合降虚警技术

 虚警率高是困扰机内测试（BIT）系统得到广泛应用的主要原因。针对该问题,从机电系统所承受时间应力的角度构建了机内测试系统综合降低虚警技术的总体模型。首先采用双支持向量机（SVM）的方法将实时应力信息与机内测试诊断结果相互关联。在此基础上,提出了基于核主元模糊聚类的虚警识别方法将机电系统多源信息进行综合分析,并通过优化决策实现多级降低机内测试系统虚警的目的。最后,针对某型直升机航空地平仪的机内测试系统进行了试验验证与分析。     

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

基于支持向量机改进SMO算法的直升机旋翼自转着陆过程建模

 为了建立高精度的直升机仿真模型,把支持向量机(SVM)引入到直升机智能化建模领域,建立了直升机自转着陆过程的旋翼转速模型。根据凸二次优化问题在对偶间隙为零时取得最优解的性质,对序列最小优化算法的停机准则进行改进,并用于所建模型的训练。仿真结果表明：与神经网络模型比较,这种SVM模型具有结构简单、运算速度快和泛化能力强等优点。     

转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.      

基于小波包分析和支持向量机的转静碰摩部位识别

利用航空发动机转子实验器模拟不同径向碰摩部位下的碰摩故障,提出基于小波包分析的支持向量机转静碰摩部位识别方法.首先将从机匣测得的加速度信号进行小波包分解,提取其归一化能量特征,接下来将得到的归一化能量特征输入至支持向量机中,用以识别不同的碰摩部位.利用航空发动机转子实验器模拟大量不同碰摩程度和不同碰摩部位的样本,利用支持向量机进行训练和测试.结果表明小波包能量特征与支持向量机相结合可以有效地判别转静碰摩部位,且仅需1个传感器即可达到98%的识别率.      

基于GRA-IPSO-SVM的航材携行需求预测研究

异地执行飞行任务中航材需求的准确预测是做好携行保障的主要内容之一,为此提出灰色关联度（GRA）与改进的粒子群算法（IPSO）及支持向量机（SVM）相结合的航材预测方法。首先运用GRA 对航材携行需求的影响因素进行分析;其次引入活性因子和非线性惯性系数改进粒子群算法,并通过IPSO 对SVM 参数进行寻优;最后使用优化后的SVM 模型预测航材需求。结果表明：GRA-IPSO-SVM 方法预测结果的均方根误差比PSO-SVM 方法下降0.16,平均绝对百分比误差下降2.18%,且预测时间减少了0.7 s。