PREDICTION OF SURFACE ROUGHNESS FOR END MILLING TITANIUM ALLOY USING MODIFIED PARTICLE SWARM OPTIMIZATION LS-SVM

It is difficult to construct the prediction model for titanium alloy through analyzing the formation mecha- nism of surface roughness due to the complicated relation between influential factors and surface roughness. A no- vel algorithm based on the modified particle swarm optimization （PSO） least square support vector machine （LS- SVM） is proposed to predict the roughness of the end milling titanium alloys. According to Taguchi method and features in milling titanium alloys, the influences of cutting speed, feed rate and axial depth of cut on surface roughness are investigated with the analysis of variance （ANOVA） of the experimental data. The research results show that the construction speed of the modified PSO LS-SVM model is two orders of magnitude faster than that of back propagation（BP） model. Moreover, the prediction accuracy is about one order of magnitude higher than that of BP model. The modified PSO LS-SVM prediction model can explain the influences of cutting speed, feed rate and axial depth of cut on the surface roughness of titanium alloys. Either a higher cutting speed, a lower feed rate or a smaller axial depth of cut can lead to the decrease of surface roughness.     

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。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种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,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于民航团队旅客销售的组合预测方法分析

利用Matlab分别用回归分析算法、BP神经网络算法、最小二乘支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,期望为民航销售人员提供更加精准的预测信息,以获得更高的航线收益.结果显示神经网络、支持向量机和组合预测3种算法比航空公司常用的回归分析预测精准度有了明显的提高.支持向量机预测精度相对神经网络稍低,却拥有更强的泛化能力.组合预测能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

基于改进HMM和LS-SVM的机载设备故障预测研究

针对传统故障预测方法不能直接预测设备状态的不足,提出了将改进隐马尔科夫模型（HMM）和最小二乘支持向量机（LS—SVM）相结合的机载设备故障预测方法。首先,采用多智能体遗传算法对HMM参数进行训练优化,克服了B-W算法易陷入局部最优解的缺陷;其次,分别研究设计了设备是否具有使用阶段状态退化过程数据2种情况下的故障预测算法流程;最后,以飞机发动机温控放大器为应用对象进行仿真计算。结果表明,该算法不仅预测精度高,而且预测结果直接与设备状态相关,易于理解分析。     

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。     

基于最小二乘支持向量机的小样本建模方法研究

针对捷联惯组历次测试数据小样本建模问题,提出了通过二次修正插值方法解决测试数据的非等间隔性和样本容量小的问题。并通过相空间重构的思想将一维时间序列多维化。最后通过最小二乘支持向量机建立预测模型。实例分析表明,建立在二次修正插值基础之上的最小二乘支持向量机时间序列模型具有较高的预测精度,能够很好地满足对惯组测试数据分析的要求。     

基于PSO_LS-SVM的装备研制费用预测研究

在简要介绍了粒子群优化算法基本原理的基础上,建立了基于POS_LS-SVM的装备研制费用预测模型,并应用实例进行了验证。结果表明,采用PSO_LS-SVM方法进行装备研制费用预测,得到的预测结果精度更高、计算速度更快。     

基于改进粒子群优化LS-SVM的卫星钟差预报研究

针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化（PSO）最小二乘支持向量机（LS-SVM）的卫星钟差预报方法。通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取国际GPS服务组织（IGS）产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明：LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路。     

基于退化数据与故障数据的导弹竞争故障预测

针对具有多元退化量的导弹竞争故障预测问题,分析了导弹退化特性,并在考虑突发故障与退化故障相关性的基础上,建立了具有多元退化量的导弹竞争故障预测模型。对导弹性能退化数据与突发故障数据进行统计推断,确定了数据的分布类型,在此基础上对竞争故障预测模型的参数进行了求解。针对导弹性能退化数据分布参数存在非线性、小样本等问题,运用最小二乘支持向量机(LS-SVM)预测模型对性能退化数据的分布参数进行了预测,得到了性能退化数据未来某一时刻的分布函数;针对退化量与突发故障的相关性,应用位置-尺度模型分析了退化量与突发故障的关系,得出了突发故障与退化量的相关参数,进而根据导弹竞争故障预测模型得到了导弹未来一段时间内的竞争故障概率。以贮存状态下的整批导弹为例,实现了导弹竞争故障预测,并与其他预测方法进行了对比,结果验证了方法的合理性与有效性。