支持向量機(jī)的冷端玻璃板位置建模

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。

表演現(xiàn)象這個(gè)魔術(shù)一共用到三個(gè)道具,一個(gè)豎向開有四個(gè)小圓孔的有機(jī)玻璃板,一個(gè)同樣開有圓孔的、可罩住玻璃板的套框,一條白色的繩子,三樣物品皆可給觀眾檢查。表演開始,表演者將有機(jī)玻璃板裝入套框中,觀眾可以看到玻璃板上的圓孔和套框上的圓孔是完全重合的。表演者把繩子從套框上面的第一孔穿進(jìn)去,這個(gè)動(dòng)作也可以讓觀眾來做,讓觀眾確信玻璃板和套框已經(jīng)由繩子穿在了一起。

邊坡角設(shè)計(jì)的支持向量機(jī)建模與精度影響因素研究——運(yùn)用人工智能領(lǐng)域最新的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)算法——支持向量機(jī)(svm)算法，采用線性linear和徑向基函數(shù)rbf兩種核函數(shù)以及￡不敏感和quadratic兩種損失函數(shù)，并且考慮懲罰參數(shù)c的不同，編寫了相...

有人提出，利用平面鏡的成像特點(diǎn)，可以估測(cè)玻璃板的厚度．常見的試題是：“筆尖跟厚玻璃板接觸，此時(shí)筆尖跟它在玻璃板里所成的虛像之間的距離為dmm，則玻璃板的厚度約為——mm”．我們拜讀到的答案均為“d/2mm”

家里的照片通常放在玻璃鏡框內(nèi)，或壓在桌子上的玻璃板下，但時(shí)間一長(zhǎng)，照片容易和玻璃粘在一起，不易取下。硬拉，會(huì)把照片拉壞；用水浸泡，取下的照片會(huì)變形。比較好的辦法如下：

提出了一種新的支持向量機(jī)(supportvectormachines,svm)機(jī)械系統(tǒng)狀態(tài)組合預(yù)測(cè)模型。應(yīng)用fpe(finalprincipleerror)準(zhǔn)則優(yōu)化樣本的維數(shù),采用時(shí)域內(nèi)的振動(dòng)烈度和頻域內(nèi)的特征頻率分量作為預(yù)測(cè)機(jī)械系統(tǒng)狀態(tài)的敏感因子,構(gòu)建了預(yù)測(cè)模型。支持向量機(jī)采用新型的結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化準(zhǔn)則,預(yù)測(cè)能力強(qiáng)、魯棒性好。采用徑向基函數(shù)和ε損失函數(shù),將該模型應(yīng)用于實(shí)驗(yàn)臺(tái)和旋轉(zhuǎn)注水機(jī)組的狀態(tài)預(yù)測(cè),取得了較好的效果。這表明利用支持向量機(jī)的組合預(yù)測(cè)模型,可以降低設(shè)備維修代價(jià),提高設(shè)備的安全性和可靠性。

故障樣本的缺乏嚴(yán)重制約智能故障診斷的發(fā)展,本文提出支持向量機(jī)應(yīng)用到發(fā)動(dòng)機(jī)故障診斷中,該方法專門針對(duì)小樣本集合設(shè)計(jì),能夠在小樣本情況下獲得較大的推廣,而且模型簡(jiǎn)單,具體是將汽車在典型故障下尾氣中各氣體的體積分?jǐn)?shù)作為訓(xùn)練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過libsvm工具箱進(jìn)行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機(jī)對(duì)于小樣本故障診斷有很高的準(zhǔn)確率。

基于支持向量機(jī)的砂土液化預(yù)測(cè)模型——分析了砂土液化的主要影響因素，建立了砂土液化的支持向量機(jī)預(yù)測(cè)模型。該模型能通過有限經(jīng)驗(yàn)數(shù)據(jù)的學(xué)習(xí)，建立砂土液化類型與其影響因素之間的非線性關(guān)系。運(yùn)用所建立的模型對(duì)具體的砂土液化類型進(jìn)行了評(píng)判，評(píng)判結(jié)果表明，...

根據(jù)電力負(fù)荷序列的混沌特性,提出混沌理論和蟻群優(yōu)化支持向量機(jī)結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)新方法,以相空間重構(gòu)理論確定支持向量機(jī)的輸入量個(gè)數(shù);訓(xùn)練樣本集由對(duì)應(yīng)預(yù)測(cè)相點(diǎn)的最近鄰相點(diǎn)集構(gòu)成,且是按預(yù)測(cè)相點(diǎn)步進(jìn)動(dòng)態(tài)相軌跡生成;采用蟻群優(yōu)化算法對(duì)支持向量機(jī)敏感參數(shù)進(jìn)行優(yōu)化,從而可增強(qiáng)預(yù)測(cè)模型對(duì)混沌動(dòng)力學(xué)的聯(lián)想和泛化推理能力,提高負(fù)荷預(yù)測(cè)的精度和提高預(yù)測(cè)穩(wěn)定性。對(duì)某地區(qū)負(fù)荷系統(tǒng)日、周預(yù)測(cè)仿真測(cè)試,證明其可獲得穩(wěn)定的較高預(yù)測(cè)精度。

針對(duì)防洪風(fēng)險(xiǎn)因風(fēng)險(xiǎn)主體而異的特點(diǎn),提出了防洪脆弱性的定義,選取影響臨災(zāi)破壞程度的因子建立了評(píng)價(jià)指標(biāo)體系,以所選指標(biāo)的自然斷裂法分級(jí)作為訓(xùn)練樣本,建立了基于支持向量機(jī)的評(píng)價(jià)模型。應(yīng)用實(shí)例的評(píng)價(jià)結(jié)果符合北江下游的防洪態(tài)勢(shì),說明了該模型方法的可行性、合理性和有效性。與傳統(tǒng)的計(jì)點(diǎn)系統(tǒng)模型相比,支持向量機(jī)模型的評(píng)價(jià)結(jié)果更接近實(shí)際情況。

為了科學(xué)預(yù)測(cè)與評(píng)估煤礦采動(dòng)引起的建筑物采動(dòng)損害程度,在系統(tǒng)分析建筑物采動(dòng)損害影響因素的基礎(chǔ)上,基于支持向量機(jī)理論,利用礦區(qū)典型建筑物采動(dòng)損害案例,首次建立了煤礦開采影響下建筑物采動(dòng)損害程度的支持向量機(jī)預(yù)測(cè)模型,并測(cè)試了該模型的可行性和可靠性.研究成果可為建筑物采動(dòng)損害預(yù)測(cè)提供一條新的技術(shù)途徑.

分析了空調(diào)工作過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。

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,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。

支持向量機(jī)作為基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，在人工智能識(shí)別方面的研究起到了重要的作用。本文將支持向量機(jī)智能識(shí)別方法引入到機(jī)械設(shè)備的故障診斷當(dāng)中，并對(duì)支持向量機(jī)模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗(yàn)證的方法進(jìn)行最優(yōu)化計(jì)算。建立了基于優(yōu)化的支持向量機(jī)的機(jī)械設(shè)備故障診斷模型，并且進(jìn)行了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)表明，采用本文介紹的基于支持向量機(jī)的故障診斷方法可有效識(shí)別出機(jī)械設(shè)備的故障類型，對(duì)機(jī)械設(shè)備的故障診斷提供了有效的診斷方法。

基于支持向量機(jī)方法的深基坑變形預(yù)測(cè)——提出了深基坑變形預(yù)測(cè)的一種新方法，即支持向量機(jī)方法．該方法根據(jù)有限的學(xué)習(xí)樣本，建立了各種影響因素和深基坑變形之問的一種非線性映射．基于已有的深基坑變形資料，采用支持向量機(jī)模型，對(duì)深基坑現(xiàn)場(chǎng)實(shí)例進(jìn)行了預(yù)測(cè)，...

本文從我國(guó)工程索賠現(xiàn)狀出發(fā),分析了合理工效的影響因素,建立了支持向量機(jī)合理工效費(fèi)用模型,收集了24個(gè)實(shí)際工程案例運(yùn)用支持向量機(jī)對(duì)費(fèi)用進(jìn)行預(yù)測(cè),結(jié)果表明了模型的有效性。

繼電保護(hù)狀態(tài)評(píng)價(jià)工作一直以來都是狀態(tài)檢修的重點(diǎn)和難點(diǎn)。提出一種基于模糊支持向量機(jī)的繼電保護(hù)狀態(tài)評(píng)價(jià)方法。首先,獲取智能變電站繼電保護(hù)裝置的歷史數(shù)據(jù),從中選擇合適的狀態(tài)評(píng)價(jià)因素,再對(duì)狀態(tài)評(píng)價(jià)因素進(jìn)行數(shù)據(jù)預(yù)處理,并根據(jù)狀態(tài)巡視及故障記錄計(jì)算裝置在各巡視點(diǎn)的百分比剩余壽命,生成訓(xùn)練樣本集。然后通過模糊支持向量機(jī)回歸訓(xùn)練生成模型,利用在線巡視記錄,對(duì)裝置狀態(tài)進(jìn)行在線評(píng)估。并根據(jù)最差指標(biāo),判定裝置的當(dāng)前狀態(tài),作為最終的在線狀態(tài)評(píng)價(jià)結(jié)果。仿真分析表明,方法通過引入樣本權(quán)重,能夠區(qū)分本裝置樣本和同型號(hào)裝置樣本的不同,使得算法能夠兼顧裝置的個(gè)性和家族性共性,并具備一定的抗噪能力。

工程巖體抗剪強(qiáng)度參數(shù)選取的支持向量機(jī)模型——影響工程巖體抗剪強(qiáng)度參數(shù)的因素復(fù)雜，且具有不確定性，由于支持向量機(jī)模型不僅能考慮定量因素，而且能考慮定性因素的影響，因而支持向量機(jī)適用于解決非確定性的工程巖體抗剪強(qiáng)度參數(shù)的選取問題。文中建立了選取工...

針對(duì)模擬電路的故障診斷問題,詳細(xì)介紹了支持向量機(jī)算法,由于它在非線性映射、小樣本學(xué)習(xí)方面的獨(dú)特優(yōu)勢(shì),故將它引用到模擬電路的故障診斷過程中。并提出了一種基于支持向量機(jī)的診斷方法,該算法能夠?qū)Ρ粶y(cè)電路的故障進(jìn)行有效并且精確地分類。以折線逼近平方曲線的近似測(cè)量電路為例,設(shè)計(jì)了基于支持向量機(jī)的模擬電路故障診斷系統(tǒng)。以實(shí)際測(cè)試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后,對(duì)其它實(shí)際測(cè)量數(shù)據(jù)進(jìn)行診斷,其結(jié)果正確,驗(yàn)證了算法的有效性。

針對(duì)風(fēng)電功率序列的不確定性和隨機(jī)性特征,提出基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解(eemd)和支持向量回歸機(jī)(svr)的風(fēng)電功率預(yù)測(cè)模型。同時(shí),為克服支持向量回歸機(jī)依賴人為經(jīng)驗(yàn)選擇學(xué)習(xí)參數(shù)的弊端,采用縱橫交叉算法(cso)優(yōu)化支持向量回歸機(jī)學(xué)習(xí)參數(shù)。首先,利用聚類經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)電功率序列分解為一系列復(fù)雜度差異明顯的子序列。然后,分別對(duì)每子序列單獨(dú)建立cso-svr預(yù)測(cè)模型。最后,疊加各子序列的預(yù)測(cè)值得到實(shí)際預(yù)測(cè)結(jié)果。實(shí)例研究表明,所提模型能獲得優(yōu)良的風(fēng)電功率預(yù)測(cè)結(jié)果。

基于支持向量機(jī)的空調(diào)控溫過程實(shí)時(shí)預(yù)測(cè)——文章分析了空調(diào)工作過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...

巖爆分類的支持向量機(jī)方法——針對(duì)巖爆分類問題，提出了基于支持向量機(jī)的分類方法。通過對(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...