一种基于模拟退火的支持向量机超参数优化算法

基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长,与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力,相关超参数的选择对其分类或回归性能有较大影响.针对径向基核支持向量机超参数优化问题,提出了一种改进的基于模拟退火算法的高效多目标优化算法,并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法.通过在多个标准数据集上的测试验证,证实了本文所提算法的可行性和有效性.     

基于小波的能源消费弹性系数预测方法

能源消费弹性系数反映了一个国家能源消费增长速度与国民经济增长速度之间的比例关系,是衡量一个国家能源利用效率的重要指标。鉴于数据中存在较多的噪声,首先用小波分析方法对数据进行滤波,然后用滤除了噪声的数据作为输入变量,用支持向量回归方法建模,并预测未来10年我国能源消费弹性系数变化的规律。实际数据检验表明,该预测方法还是可行的。     

气体二次喷射推力向量控制数值仿真

采用基于Favre平均的三维N-S方程和k-ε湍流模型对固体火箭发动机气体二次喷射推力向 量喷管复杂干扰内流场进行数值模拟;采用三阶精度空间差分格式和隐式Jacobi时间点迭代 方法进行求解;借助数值模拟技术对气体二次喷射推力向量喷管方案进行了初步探索,研究 了不同喷射条件对气体二次喷射流场特征及侧向控制力的影响作用;研究表明,二次喷射气 体喷射孔位置、总温及总压等因素对侧向力影响具有耦合作用,合适的喷射孔位置和高温燃 气以及较大喷射总压都能有效增加侧向力及向量角;燃气二次喷射系统具有较高的效率;侧 向力随二次喷射流总压增加而线性增大.      

多传感器斜置系统故障检测的奇偶向量补偿方法

提出采用神经网络对多传感器斜置组件的奇偶向量进行补偿,从而消除安装误差、刻度系数误差以及常值偏差对奇偶向量的影响,提高系统对小幅值故障检测与隔离的准确性.基于神经网络的方法与卡尔曼滤波、偏差分离估计方法相比,不需要各项误差的动态模型和噪声统计特性.神经网络采用有一定时间延迟的样本进行在线学习时,利用补偿后的奇偶向量能够检测出有一定斜率的斜坡型故障.      

矢量喷管偏转对发动机推力的影响

建立了轴对称矢量喷管数学模型和带这种矢量喷的发动机数学模型,研究了矢量喷管偏转时引起的发动机推力的变化。研究结果表明：喷管有的效矢量角与几何矢量角近似成正比;喷管偏转角较小时,喷管的流量系数及发动机的总推力几乎不同几何矢量角变化,喷管偏转角较大时,喷管的流量系数及发动机的总推力随和何矢量角的增大三小;发动机的轴向推力随着几何矢量角的增大而减小,发动机的侧向推力随着几何矢量角的增大而增大。     

基于支持向量机的分类器设计

在支持向量机理论的基础上,打破了支持向量机的二类辨识传统,提出基于支持向量机的一类辨识理论,以它为基础设计基于一类辨识的一类分类器。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题，提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征，构建高维故障特征集；采用ISSL-Isomap方法对高维故障特征集进行维数约简，提取出低维、敏感故障特征；应用GWO -SVM分类器对低维故障特征进行模式识别，判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比，ACMPE方法在分类效果和识别精度上更具优势；与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较，ISSL-Isomap方法降维效果最佳；所提方法的故障识别率达到100%，具有一定优越性。      

贝叶斯回归支持向量机的软测量建模方法

提出了一种基于贝叶斯证据框架的回归型支持向量机的参数选择和软测量建模方法。证据框架的第1层推理用来解释支持向量机的训练。证据框架的第2和第3层推理用于自动调整正则化参数和核参数并使其接近最优值。然后,将这种基于贝叶斯证据框架的回归型支持向量机用于估计聚丙烯腈生产过程的质量指标。仿真结果表明了该方法的有效性。     

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.      

一种新的导航星选取算法研究

在导航星表的建立过程中，由于恒星的数量太多，往往要进行筛选，通常这种选择复杂费时，而结果往往并不是最优的。本文引入了动态星等阈值分布函数，将传统星等阈值过滤算法中的静态阈值用动态星等阈值代替，建立了一种新的动态星等阈值过滤选择模式。而基于统计学习理论的支持向量机方法为求解高维非线性动态星等阈值分布函数提供了新的途径。本文讨论了这种基于支持向量机的导航星自动选择算法——回归选取算法。实验表明，用该算法所选取的导航星表，导航星数量少、分布均匀性好。同时它还能适应多种任务的导航星选取要求，具有很强的通用性。