向量機(jī)稀土萃取過(guò)程建模方法

針對(duì)室內(nèi)環(huán)境因素多元化、動(dòng)態(tài)變化的特點(diǎn)和目前評(píng)價(jià)方法的不足,建立了基于支持向量機(jī)的室內(nèi)舒適度混合評(píng)判模型。首先將從真實(shí)環(huán)境中采集的數(shù)據(jù)集進(jìn)行數(shù)據(jù)規(guī)范化處理;然后根據(jù)群體和個(gè)體感覺(jué),分別用離線訓(xùn)練和在線訓(xùn)練的方法訓(xùn)練分類器;最后使用訓(xùn)練好的分類器預(yù)測(cè)樣本的標(biāo)簽。以matlab為開發(fā)工具,編寫了基于支持向量機(jī)的室內(nèi)舒適度評(píng)價(jià)算法,并與bp神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)等室內(nèi)舒適度評(píng)價(jià)算法進(jìn)行了比較,仿真結(jié)果表明,該方法是可行且有效的。

巖爆分類的支持向量機(jī)方法——針對(duì)巖爆分類問(wèn)題，提出了基于支持向量機(jī)的分類方法。通過(guò)對(duì)影響巖爆因素的分析，運(yùn)用支持向量機(jī)理論建立巖爆類別的支持向量機(jī)模型。結(jié)果表明，基于支持向量機(jī)的巖爆分類方法具有較高的準(zhǔn)確率，該方法是科學(xué)可行的，具有廣泛的應(yīng)用...

深基坑變形預(yù)測(cè)的支持向量機(jī)方法——提出了一種預(yù)測(cè)深基坑變形的新方法支持向量機(jī)，可很好地表達(dá)深基坑變形與其影響因素之間的非線性映射關(guān)系，并應(yīng)用該方法建立了相應(yīng)的模型，預(yù)測(cè)結(jié)果表明，利用該方法進(jìn)行深基坑變形是可行的、有效的?！　?/p>

企業(yè)在實(shí)際發(fā)展的過(guò)程中,機(jī)械設(shè)備作為原生的發(fā)展動(dòng)力,對(duì)于自身的長(zhǎng)期健康發(fā)展具有非常重要的影響。而落實(shí)到機(jī)械故障診斷方法研究中來(lái),可以充分利用故障數(shù)據(jù)樣本來(lái)對(duì)其診斷發(fā)展過(guò)程中出現(xiàn)的一些問(wèn)題進(jìn)行有效的把握,充分分析支持向量機(jī)的機(jī)械故障診斷方法的實(shí)質(zhì)性內(nèi)容,更好的加強(qiáng)分類故障的有效排除,并且提升診斷方法應(yīng)用的有效性水平。因此,本文在研究的過(guò)程中,主要從支持向量機(jī)的相關(guān)原理出發(fā),在對(duì)基本內(nèi)容進(jìn)行系統(tǒng)分析的同時(shí),積極探索多故障分類器的相關(guān)建立與測(cè)試,從而更好的把握后續(xù)內(nèi)容,推動(dòng)我國(guó)社會(huì)經(jīng)濟(jì)的不斷繁榮與進(jìn)步。

針對(duì)所有樣本點(diǎn)均出現(xiàn)在最小二乘支持向量機(jī)模型中的缺陷,提出了一種改進(jìn)的最小二乘支持向量機(jī)回歸方法。根據(jù)樣本點(diǎn)間歐氏距離的大小,去除原變量空間中大部分的樣本點(diǎn),從而獲得回歸模型的“稀疏”特性,大大簡(jiǎn)化模型復(fù)雜程度。同時(shí),將這一方法應(yīng)用于生物發(fā)酵過(guò)程,建立青霉素發(fā)酵過(guò)程中產(chǎn)物濃度的軟測(cè)量模型,實(shí)現(xiàn)青霉素濃度的在線預(yù)估。實(shí)驗(yàn)研究結(jié)果表明,所提方法為生物發(fā)酵過(guò)程中難于在線測(cè)量質(zhì)量參數(shù)的實(shí)時(shí)監(jiān)測(cè)提供了一個(gè)有效的手段。

電力云計(jì)算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計(jì)算模式,虛擬池對(duì)數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時(shí),由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來(lái)故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對(duì)網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機(jī)svm算法,在二分類無(wú)法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對(duì)一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.

本文提出了一種基于全色波段航空影像和激光雷達(dá)數(shù)據(jù)的建筑物檢測(cè)方法。如何從激光點(diǎn)云數(shù)據(jù)中提取出建筑物激光腳點(diǎn),是建筑物三維重建和輪廓提取的難點(diǎn)問(wèn)題之一。植被密集區(qū)域以及與建筑物緊密相鄰的樹木的激光點(diǎn)很難與建筑物激光點(diǎn)區(qū)分開。本文利用支持向量機(jī)對(duì)單個(gè)激光點(diǎn)的特征進(jìn)行兩分類,特征向量包括激光點(diǎn)的高程、高程變化信息以及與激光點(diǎn)配準(zhǔn)的影像光譜信息。實(shí)驗(yàn)表明,基于支持向量機(jī)的點(diǎn)態(tài)分類算法能夠有效提取建筑物激光腳點(diǎn),影像光譜信息能明顯提高分類精度。

通過(guò)分析室內(nèi)室外圖像的內(nèi)容,發(fā)現(xiàn)其差異性有一定規(guī)律性,通常情況下,室內(nèi)圖像含有較高比例的具有一定規(guī)則的幾何形狀的人造物體,而室外圖像含有一定比例的具有分形結(jié)構(gòu)的自然物體。本文的方法是利用這個(gè)差異性和圖像的顏色作為出發(fā)點(diǎn),使用支持向量機(jī)(svm)作為分類器依據(jù)圖像的邊緣和顏色矩特征對(duì)圖像進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明此方法對(duì)室內(nèi)、室外圖像分類可以獲得較高的準(zhǔn)確率。

在分析考慮各個(gè)影響報(bào)價(jià)的風(fēng)險(xiǎn)因素的基礎(chǔ)之上得到一個(gè)適當(dāng)?shù)膱?bào)高率是企業(yè)競(jìng)標(biāo)獲勝的關(guān)鍵所在。將支持向量機(jī)(svm)方法應(yīng)用到投標(biāo)報(bào)高率的確定過(guò)程之中,引入粒子群優(yōu)化算法(pso)來(lái)實(shí)現(xiàn)對(duì)svm學(xué)習(xí)參數(shù)值的優(yōu)化確定。通過(guò)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法(ann)進(jìn)行比較研究后發(fā)現(xiàn),用新方法來(lái)確定報(bào)高率不僅簡(jiǎn)便易行,而且用新方法確定的報(bào)高率與實(shí)際值的偏差更小,顯示了其在該領(lǐng)域中應(yīng)用的廣闊前景。

對(duì)城市中現(xiàn)有數(shù)量巨大的一般建筑的抗震能力進(jìn)行評(píng)價(jià),必須采用簡(jiǎn)便、實(shí)用的建筑物群體震害預(yù)測(cè)方法,才能在有限的時(shí)間內(nèi)完成城市建筑物的震害預(yù)測(cè)工作。為此本文提出了基于支持向量機(jī)的建筑物群體震害預(yù)測(cè)方法,詳細(xì)說(shuō)明了基于支持向量機(jī)進(jìn)行建筑物震害預(yù)測(cè)的步驟和方法。同時(shí),本文利用建立的基于支持向量機(jī)的震害預(yù)測(cè)模型,對(duì)3棟現(xiàn)有建筑進(jìn)行了震害預(yù)測(cè),并將預(yù)測(cè)結(jié)果與單體震害預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比。研究結(jié)果表明,基于支持向量機(jī)的建筑物震害預(yù)測(cè)方法是一種可以用于建筑物群體震害預(yù)測(cè)的良好方法。

電力云計(jì)算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器＋san/nas信息計(jì)算模式,虛擬池對(duì)數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時(shí),由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來(lái)故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對(duì)網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機(jī)svm算法,在二分類無(wú)法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對(duì)一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.

首先分析了公路貨運(yùn)量預(yù)測(cè)的重要性,介紹了國(guó)內(nèi)外主要預(yù)測(cè)方法。歸納總結(jié)了支持向量機(jī)的核心思想和基本原理,利用此較新的理論建立了公路貨運(yùn)量預(yù)測(cè)模型,給出了構(gòu)建模型的具體分析步驟,同時(shí)探討了參數(shù)的標(biāo)定和修正過(guò)程。利用北京市基礎(chǔ)數(shù)據(jù),建立北京市公路貨運(yùn)量預(yù)測(cè)的支持向量機(jī)模型,并應(yīng)用libsvm軟件進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果驗(yàn)證了模型的有效性和可行性,表明方法可以推廣并可實(shí)際應(yīng)用。

分析了空調(diào)工作過(guò)程中溫度控制的重要性與傳統(tǒng)方法的不足,將基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法用于控溫過(guò)程中,對(duì)溫度進(jìn)行實(shí)時(shí)預(yù)測(cè)。采用數(shù)字實(shí)驗(yàn)對(duì)所提方法的可行性進(jìn)行驗(yàn)證,結(jié)果表明該方法可以獲得比傳統(tǒng)方法更高的預(yù)測(cè)精度,實(shí)時(shí)性較高,能為空調(diào)控溫系統(tǒng)提供更好的決策支持,具有較大的發(fā)展?jié)摿蛯?shí)用價(jià)值。

基于支持向量機(jī)的空調(diào)控溫過(guò)程實(shí)時(shí)預(yù)測(cè)——文章分析了空調(diào)工作過(guò)程中溫度控制的重要性與傳統(tǒng)方法的不足，將基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法用于控溫過(guò)程中，對(duì)溫度進(jìn)行實(shí)時(shí)預(yù)測(cè)。采用數(shù)字實(shí)驗(yàn)對(duì)所提方法的可行性進(jìn)行驗(yàn)證，結(jié)果表明該方法可以獲得比傳統(tǒng)方法更...

復(fù)雜復(fù)合地基優(yōu)化設(shè)計(jì)缺乏明確可靠的沉降計(jì)算公式,很難建立有明確表達(dá)式的優(yōu)化設(shè)計(jì)數(shù)學(xué)模型,若直接基于數(shù)值模擬來(lái)建立模型,則計(jì)算工作量巨大。為此,提出一種基于支持向量機(jī)沉降代理模型的復(fù)合地基優(yōu)化設(shè)計(jì)方法。該法基于均勻設(shè)計(jì)理念,設(shè)計(jì)多個(gè)數(shù)值實(shí)驗(yàn)加固方案,建立復(fù)合地基三維有限元模型,分析路堤荷載作用下復(fù)合地基沉降及差異沉降；再采用最小二乘支持向量機(jī)(lssvm)對(duì)沉降進(jìn)行回歸分析,建立復(fù)合地基沉降、差異沉降的等代模型；以復(fù)合地基加固費(fèi)用為目標(biāo)函數(shù),以各沉降指標(biāo)為控制參數(shù),建立復(fù)合地基優(yōu)化設(shè)計(jì)數(shù)學(xué)模型；基于遺傳算法搜索最優(yōu)的加固方案,并輸出滿足設(shè)計(jì)要求的最經(jīng)濟(jì)復(fù)合地基方案。將該法用于岸邊軟土區(qū)復(fù)合地基優(yōu)化設(shè)計(jì),驗(yàn)證了該法的可行性。

支持向量機(jī)模擬電路故障診斷涉及到特征提取、特征選擇和支持向量機(jī)的參數(shù)優(yōu)化等問(wèn)題,它們都對(duì)診斷結(jié)果有直接的影響。針對(duì)這一問(wèn)題,提出了一種基于改進(jìn)的離散粒子群算法的同步優(yōu)化方法。該算法采用非線性慣性權(quán)重和遺傳操作相結(jié)合的方法,提高了粒子群前期迭代的探索能力和后期迭代的開發(fā)能力,同時(shí)降低了粒子群陷入局部最優(yōu)的風(fēng)險(xiǎn)。通過(guò)模擬電路的仿真實(shí)驗(yàn),驗(yàn)證了同步優(yōu)化方法和改進(jìn)的離散粒子群算法的有效性。

為提高模擬電路故障診斷效率,克服依據(jù)單一信息進(jìn)行診斷的不足,提出了一種支持向量機(jī)信息融合的模擬電路故障診斷方法;首先構(gòu)建了基于支持向量機(jī)的信息融合診斷模型,其次給出了基于小波包變換的能量特征提取和基于主元分析特征壓縮方法,分析了支持向量機(jī)一對(duì)一多分類方法,最后通過(guò)模擬電路的仿真實(shí)驗(yàn),與未進(jìn)行信息融合,以及bp、rbf和pnn等神經(jīng)網(wǎng)絡(luò)對(duì)比,結(jié)果顯示,基于支持向量機(jī)信息融合方法的診斷精度最高,約為97.3%。

提出一種利用小波變換提取模擬電路故障特征和基于支持向量機(jī)狀態(tài)分類的模擬電路故障自動(dòng)識(shí)別和診斷方法。首先討論小波變換的基本原理和支持向量機(jī)原理及其多分類算法,同時(shí)著重研究支持向量機(jī)的一種改進(jìn)型一對(duì)多故障分類算法,然后實(shí)現(xiàn)在小波變換上,采用分布式多svm分類器識(shí)別單相橋式整流模擬電路的故障。實(shí)驗(yàn)證明,該方法能準(zhǔn)確有效地對(duì)模擬電路故障進(jìn)行識(shí)別和診斷。

基于最小二乘支持向量機(jī)的砂土液化預(yù)測(cè)方法——使用最小二乘支持向量機(jī)分類方法建立了兩個(gè)砂土液化預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與野外實(shí)際情況全部相符，表明該分類方法用于預(yù)測(cè)砂土液化是可行的，且預(yù)測(cè)準(zhǔn)確率高。

建立基于支持向量機(jī)的建筑物沉降預(yù)測(cè)模型,并將其應(yīng)用于建筑物的沉降預(yù)測(cè)。與采用bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相比,支持向量機(jī)取得較好的預(yù)測(cè)結(jié)果。實(shí)例表明支持向量機(jī)在小樣本數(shù)據(jù)的預(yù)測(cè)上具有精度高、泛化能力強(qiáng)的特點(diǎn),為建筑物的沉降預(yù)測(cè)提供一種新的方法。

為對(duì)室內(nèi)轟燃進(jìn)行準(zhǔn)確預(yù)測(cè),針對(duì)室內(nèi)轟燃樣本的不足在一定程度上制約了其應(yīng)用,為此運(yùn)用svm技術(shù)構(gòu)建室內(nèi)轟燃預(yù)測(cè)的數(shù)學(xué)模型。在小樣本條件下,應(yīng)用工具軟件libsvm進(jìn)行仿真,并將svm模型預(yù)測(cè)結(jié)果和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果顯示,svm技術(shù)能較好地解決小樣本和模型預(yù)測(cè)精確度之間的矛盾,svm模型其預(yù)測(cè)精度及可行性高于神經(jīng)網(wǎng)絡(luò)模型。實(shí)例表明,由于室內(nèi)火災(zāi)受多種因素影響,傳統(tǒng)的預(yù)測(cè)方法存在一定的局限性,而svm模型預(yù)測(cè)法預(yù)測(cè)的結(jié)果與試驗(yàn)結(jié)果比較一致。

**資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.***