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。     

基于支持向量机的航空发动机辨识模型

针对航空发动机具有强非线性、时变性的特点以及采用常规神经网络辨识时存在的局部较小,过学习等问题,提出了一种基于支持向量机的通用发动机模型辨识方法。该方法基于现代统计学习理论,采用结构风险最小化准则,保证了网络具有很强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成。本文采用实测到的发动机飞行记录数据作为训练样本,利用回归型支持向量机建立了发动机的辨识模型,研究结果表明该方法的辨识精度较高,鲁棒性、容错性较好,具有较大的实用价值。      

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

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。     

基于支持向量机和卡尔曼滤波器的航空发动机故障诊断研究

针对航空发动机上可用传感器测量参数偏少情况下的健康参数估计问题,提出1种先分类后估计的方法。将传感器测量参数输入异常监测模块,对发动机工作状态进行监测,若监测结果为无故障则直接给出无部件故障的诊断结论;否则将测量参数输入最小二乘支持向量机(LSSVM),对部件故障进行分类,卡尔曼滤波器根据分类结果只对故障部件的健康参数进行估计。仿真结果表明:该方法可以减少需要估计的健康参数,提高估计精度。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

基于最小二乘支持向量机的小型无人直升机悬停动态建模

小型无人直升机(SUH)是一类典型的非线性动态系统,由于其本质不稳定性,由开环辨识实验获得的数据通常是小样本的,使用传统黑箱辨识方法难以获得较好的辨识效果。提出一种利用支持向量机(SVM)对SUH悬停动态进行辨识建模的新方法。通过动力学机理分析和合理的简化,确定了模型的非线性回归形式,以及从低维输入空间到高维Hilbert特征空间的映射关系和相应的机理核函数,并应用最小二乘支持向量机(LS-SVM)训练获得SVM模型和对应的参数化非线性多输入多输出（MIMO）模型。利用实际飞行数据辨识得到的模型不仅具有良好的预报精度,而且显式表达了各状态变量之间以及输入与状态之间的耦合关系,便于非线性控制策略的设计。     

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。     

基于边缘检测与最小二乘支持向量机的人脸图像识别

文章建立了完整的人脸识别系统,通过图像预处理、特征提取和识别3个过程,实现了人脸的分类识别;研究了图像预处理过程中的边缘检测方法,比较了基于一阶导数的Robert算子、Prewitt算子、Sobel算子和基于二阶导数的Gauss-Laplacian算子的检测效果□在识别阶段采用最小二乘支持向量机方法,进行人脸识别实验,并对实验结果进行比较。     

基于支持向量机的航空发动机故障诊断

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。      

Unstable unsteady aerodynamic modeling based on least squares support vector machines with general excitation

Common, unsteady aerodynamic modeling methods usually use wind tunnel test data from forced vibration tests to predict stable hysteresis loop. However, these methods ignore the initial unstable process of entering the hysteresis loop that exists in the actual maneuvering process of the aircraft. Here, an excitation input suitable for nonlinear system identification is introduced to model unsteady aerodynamic forces with any motion in the amplitude and frequency ranges based on the Least Squares ...     

基于SVM辨识的涡扇发动机全包线稳态控制方法

针对涡扇发动机全飞行包线范围稳态最优控制器的设计问题,首先根据不同飞行条件下发动机各工作状态的稳态“小偏差”线性模型,采用线性二次型调节器(LQR)分别设计得到相应的发动机最优线性控制器参数,然后将所得到的线性控制器用支持向量机方法进行非线性逼近,得到控制器参数的支持向量机辨识模型,以满足发动机全包线、全状态稳态控制的需要.支持向量机模型的输入为飞行高度、马赫数和稳态转速,输出为线性控制器参数.应用实例表明:该方法在全包线范围内对发动机最优稳态控制器的逼近误差均在2%以内,能较好满足控制精度要求.      

基于改进型球结构支持向量机的故障诊断方法及其应用

1引言涡轮泵等是极易发生故障的机械设备,近几年来,神经网络等智能技术在此类设备的故障诊断领域中得到广泛的应用[1]。故障支持向量机是Vapnik等在20世纪90年代研究并迅速发展起来的一种新型的机器学习方法[2],它是专门针对有限样本情况的,其目标是得到现有信息下的最优解而不     

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SVM的航空发动机油样光谱诊断界限值制定

运用支持向量机(SVM)估计航空发动机油样光谱数据的概率密度函数,根据光谱数据的概率分布求出航空发动机光谱诊断各金属元素的质量分数、质量分数梯度及质量分数比例的正常、警告、以及异常界限值.利用实际的航空发动机光谱数据进行了研究,并与传统的基于正态分布假设下所确定的界限值进行了比较分析.结果表明,实际的航空发动机光谱数据...     

基于支持向量机的航空发动机PID解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

基于Wiener过程的民用航空发动机性能可靠性预测

通过对民用航空发动机性能退化数据的分析,提出了一种有效融合先验退化数据和现场退化数据的性能可靠性评估和剩余寿命预测方法.首先在先验退化数据的基础上确定Wiener过程参数的先验分布,然后利用贝叶斯方法融合新增的现场数据,对Wiener过程参数进行更新,并在此基础上对单台发动机进行性能可靠性评估和剩余寿命预测.该方法能根据现场退化数据不断地对可靠性和剩余寿命进行更新.最后通过某航空公司发动机性能退化数据验证文中提出的方法,结果表明41号发动机在2000循环和3000循环时预测的剩余寿命相对误差分别为0.060和0.018,可以满足航空公司发动机下发计划制定的实际需要.      

基于K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计

提出了一种基K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计方法.首先用K-均值聚类法将全包线范围内的数据进行聚类,然后在每一个类当中,用迭代约简最小二乘支持向量回归机设计一个子推力估计器.在用迭代约简最小二乘支持向量回归机设计子推力估计器的过程中,为了使计算数值更稳定,用Cholesky分解代替原来的迭代方法.最后仿真实验表明,此推力估计器能满足直接推力控制的需要,并和其它的方案比较起来,该方案存在一定的优势.      

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。     

基于VXI总线的飞机发动机测试系统设计与实现

飞机发动机系统的地面测试一直采用传统的分立仪器系统测试方法,测量效率低、可靠性差、维修困难、性能/价格比低,已不能满足现代测试的要求。为此介绍了一个基于VXI总线的飞机发动机测试系统的设计,并给出了实施方案。结果表明,本设计方案实现了某型飞机发动机系统的自动测试、故障诊断、故障隔离及复试检查,满足了部队外场的使用要求。