基于结构健康监测系统的桥梁数据异常诊断研究

桥梁结构监测主要集中在对桥梁结构损伤位置和损伤程度的研究,然而,这是以桥梁结构健康监测系统数据有效为前提的。在实际的环境里,由监测系统自身故障引起的异常往往会对监测数据有一定影响,使得监测系统产生损伤误报,增加了虚警率;同时,由某些外部荷载引起的突发事件,可能会对结构有严重破坏,不利于桥梁的安全维护和管理。为了保证桥梁的安全,提高桥梁结构监测的有效性,有必要对特殊事件进行异常诊断。该文将一类识别方法应用到桥梁数据诊断中,即通过核主成分分析和超球面一类支持向量机方法将一般监测数据和特殊事件数据有效区分,并利用江阴大桥的加速度传感器数据验证了该方法在船撞、台风、传感器装机噪声和传感器跳变信号下的有效性。     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要。对于疾病诊断,分类器的性能直接影响到最终结果的准确性。本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM)。实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM)。实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能。实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集。     

高新技术企业研发成本的预测模型及方法探讨

高新技术企业研发成本预测是其研发成本管理的重要组成部分.结合主成分分析法与支持向量机,考虑影响研发成本的众多因素,分析确定重要影响因素变量,构建研发成本PCA-SVR预测模型.该模型克服了高新技术企业研发成本变量之间的多重共线问题,并通过比较线性核函数、多项式核函数与径向基核函数来确定最佳核函数,从而提升了模型预测的准确度.为验证模型的合理性,以一家高新技术企业A公司为例进行应用研究.结果表明,文章提出的方法预测结果拟合度良好,该模型可用于研发成本的预测.     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

一种基于相关分析的多元回归数据估计方法

针对无线传感器网络中数据估计方法存在输入变量较多、估计计算复杂度较高和估计效率低等缺点,提出了基于相关分析的多元回归估计方法.对无线传感器网络监测的数据序列进行相关分析,找出与当前数据相关性较强的其他历史监测数据,采用这些历史监测数据进行多元回归建模和估计.在保证估计精度的前提下,降低估计的计算复杂度,提高无线传感器网络中缺失监测数据估计的效率.实际无线传感器网络采集数据的实验分析结果表明,该方法具有较高的估计效率和较小的估计误差,能够有效地估计无线传感器网络中缺失的传感数据,具有一定的应用价值.     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

供应链需求预测的非线性方法研究

文章总结了国内外关于供应链需求预测的研究工作，大致分为线性预测方法和非线性预测方法。非线性预测方法由于可以准确预测实际需求随机波动，已经成为供应链需求预测问题研究的热点。其中以局域法加权一阶预测、最大Lyapunov 指数预测和全域法支持向量机预测最为常用。通过实证比较研究，基于相空间重构理论的支持向量机预测方法可以准确预测实际需求的波动趋势，其预测精度和准确度很高。     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机( SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退 火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有 较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径 向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的 SVM运用于轴承故障诊断。研究结果表明：相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方 法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的 SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

基于支持向量机算法的人脸识别技术研究

在讨论人脸识别算法的基础上,提出了基于支持向量机算法的人脸识别技术,进而分析了其原理,确定了多项式的核,并利用人脸数据对多项式核的SVM进行训练,根据训练结果进行识别实验,结果表明：SVM与传统方法比较,对人脸具有较高的识别率。     

混合核函数对支持向量机分类性能的改进

通过对核矩阵的计算和研究,从理论上对常用的核函数进行了评估.在此基础上,通过实验仿真证实了通过优选后的核函数所组成的混合核函数对支持向量机分类性能的改善,为核函数的选择提供了参考.     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法.针对负荷预测建模,采用交叉验证的方法对参数进行选取,得到的最优参数对未来的峰荷进行预测,仿真结果表明了该方法的有效性.     

再生核支持向量机在非线性系统中的应用

为了提高非线性系统辨识的精度,提出用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。结合小波多分辨分析,将Hilbert空间分为一系列子空间,并由可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,可以把V0子空间的尺度函数折算为Hilbert空间的子空间V0的尺度函数,构造出新的Walsh序列再生核。通过仿真实验,与传统的RBF核函数、高斯核函数等比较,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

中国海外上市公司的PCA-SVM财务危机预警研究

在支持向量机(Support Vector Machine,SVM)方法的基础上融入主成分分析(Principal Compo-nent Analysis,PCA)方法,可构建PCA-SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA-SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

关于复共线影响点诊断方法的研究

基于核主成分分析方法,提出了复共线影响点的核主成分诊断以及剔除准则.数值试验表明,利用核主成分分析方法诊断剔除复共线影响点比用主成分方法更有效.     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

基于支持向量机的私募股权投资风险预测

由于私募股权基金在运作过程中存在着多层委托代理关系,从而产生了不同利益主体之间的信息不对称,并进而造成了逆向选择和道德风险问题,这是私募股权投资产生风险的最主要根源,这种投资风险可以从宏观和微观两个层面进行识别和预测。基于此,可构建私募股权投资风险的备选指标体系和支持向量机模型,并进行实证评价。实证结果表明：私募股权投资风险随着投资周期的增加而提高,相应的投资风险也因各种不确定因素的增加而呈现上升趋势;SVM方法对私募股权投资风险能够进行有效预测,这将为私募股权投资风险的预测提供理论指导和方法借鉴。     

支持向量聚类算法的研究与改进

支持向量聚类是基于支持向量机和核方法的一种新颖的聚类方法.与其它传统聚类方法相比较,该方法具有能得到全局最优解,并能处理任意形状的聚类,无需指定聚类数目,参数少,容易处理高维数据等优点.在原算法的基础上,在聚类标识阶段提出了改进算法,用支持向量代替原来的全部样本数据来进行标识,进一步减少运算时间,提高运算速度.     

基于机器视觉的玉米头尾识别

为进行玉米棒头尾识别,课题组提出了一种基于机器视觉和机器学习的玉米头尾识别方法。该方法先对玉米图像进行分割,后对分割后图像提取其方向梯度直方图(histogram of oriented gradient, HOG)特征向量;并利用主成分分析法(principal component analysis, PCA)对特征向量进行降维,最后使用降维后的特征向量和交叉验证方法训练支持向量机(support vector machine, SVM),最终实现对玉米的头尾识别。试验结果表明该方法的识别率为97.2%。该方法具有较高的可行性和准确率,可用于玉米的头尾识别。