基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

基于混合特征与PSO-SVM的旋转部件故障诊断方法

针对旋转部件故障诊断问题,为能更全面的提取部件的故障特征信息,提高模型的识别精度,提出一种基于混合特征与PSO-SVM的故障诊断方法。首先,提取电流和振动信号特征参数,结合信息增益算法筛选出对故障敏感的特征参数,结合主成分分析,对敏感特征进行降维处理,消除了无关特征和冗余特征对故障诊断模型的干扰。然后,以SVM分类器为基础,利用PSO算法对模型参数全局寻优,提高故障诊断的识别精度。最后,利用轴承加速疲劳试验数据集将PSO-SVM模型与常用故障诊断模型进行对比,验证该模型的有效性。     

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。     

支持向量机在上市公司成长性识别中的应用

从上市公司成长性与公司财务指标间的一致性角度,上市公司的成长性识别等价于一个模式分类问题,因此可利用SVM支持向量机对上市公司的成长性进行高精度识别,即从市场成长性、盈余成长性等五个方面来考察上市公司的综合成长性,分别以主营收入增长率、净利润增长率等五个指标为考察依据,利用SVM支持向量机来计算识别;实例验证了该法存在简便效果明显等优点。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

相关向量机及在说话人识别应用中的研究

对基于相关向量机和高斯混合模型的说话人识别算法的模型和特征空间进行了一系列的研究。与一些基于语音帧的说话人识别算法相比,该算法将GMM算法作为底层的语音特征提取,从而实现对语音整体上的处理,对常用的两种语音特征美尔频率倒频系数和瞬时频率的表现进行了对比研究;同时,该算法充分利用了相关向量机的所提供的高泛化性、核函数功能和结果的高稀疏性。基于Chains和AHUMADA两个专门用于说话人识别的语音库的仿真表明,该算法在减少相对误差和减少计算量方面有较大的优势。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数     

考虑工况识别的燃料电池客车能量管理策略研究

为降低燃料电池客车的等效氢耗量,延长动力电池的寿命,以中国重型商用车-客车工况(CHTC-C)中城市、郊区和高速3种工况为标准工况,提出灰狼优化支持向量机(GWO-SVM)工况识别算法,应用于燃料电池客车能量管理策略中,并在Cruise中搭建整车模型进行仿真验证。仿真结果表明：提出的能量管理策略车速跟随情况良好,符合客车动力性要求;相比于CV-SVM工况识别能量管理策略和无工况识别能量管理策略,提出的能量管理策略使动力电池荷电状态(SOC)变化相对平稳,客车的燃油经济性得到改善。     

基于LDA/GSVD和支持向量机的人耳识别

针对人耳图像自身的特点并通过对现有方法的研究,提出了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.     

利用语音倒谱参数及基音信息辨认说话人

本文介绍了一种基于矢量量化技术的说话人识别系统,在特征参数上,选用动、静态倒谱互相补偿,充分描述说话人声道模型,同时选用能描述说话人声带激励源特点的基音参数,以全面反映说话人特征。识别时,对三个参数进行优化组合,构成最佳的归一化联合失真进行判决。实验表明,对16人进行测试,当语音长度为2秒时,识别率高达96．8％。     

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。     

基于支持向量机的管理信息系统故障识别模型研究

管理信息系统故障影响着企业信息工程的开展。及时识别故障,能够为企业争取更多时间处理故障。因此,管理信息系统故障识别有着重要的研究意义和实践意义。基于支持向量机,构建管理信息系统故障识别模型,通过把样本应用于该模型,结果表明该模型具有较好的准确性,能有效识别管理信息系统故障。     

双谱特征提取在欺骗式干扰方式识别中的应用

为了识别出具体的欺骗干扰方式,从而使雷达有针对性地选择抗干扰方法,该文提出了基于双谱特征和模式识别技术的欺骗式干扰识别方法。该方法给出了欺骗式干扰的双谱分布和估计方法,在分析其分布特征和统计特性的基础上,定义两种特征因子;采用基于核聚类的支持向量机分类器,完成对不同欺骗干扰方式的识别;建立了完整的干扰模式识别模型。仿真实验表明,该方法对3种不同欺骗干扰方式的正确识别率高,而且基本不受干噪比影响。     

独立成分分析和支持向量机的虹膜识别方法

为了提高虹膜识别的性能,提出了一种新的虹膜识别方法。该方法采用独立成分分析获取虹膜高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后在该独立成分空间中,利用支持向量机的泛化特性构造最优分类超平面。通过CASIA虹膜数据库的仿真实验,该方法降低了特征空间维数,具有较高的正确识别率。特别是对高斯核,取得了98.61%的正确识别率,较相异度函数和最近特征线方法分别高6.48%和4.54%,同时也提高了算法的鲁棒性和灵活性。     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

支持向量机学习算法-序列最小优化(SMO)

支持向量机作为一种优秀的学习方法，有着严格的理论基础和很好的应用前景，但是由于支持向量机算法实现复杂、效率低，严重限制了支持向量机的应用．SMO方法的提出大大提高了支持向量机学习的效率，作对SMO算法的实现进行了详细的介绍．