作物品种区域试验中品种均值估计的模型和方法——算术平均值、加权最小二乘估值和BLUP的比较

针对作物区域试验中的品种均值估计问题,根据混合线性模型的一般原理,总结和提出多种加权最小二乘估计 (WLSE)和最佳线性无偏预测(BLUP)的方法,推导了这些方法的平衡数据计算简式;同时,利用14套2年多点的棉花区试资料和一套4年多点的棉花品种试验对这些方法的预测效果进行验证比较.结果表明,与算术平均值相比,以环境内误差方     

基于加权最小二乘法的供水管网节点流量校核

管网水力模型是实现供水系统现代化管理的重要工具,要使水力模型能比较准确地反映管网真实运行状态,达到预期使用目的,其中的参数需要校核。将管网节点流量校核作为优化问题,采用加权最小二乘法逐步迭代求解,与已有研究相比,采用矩阵分析法推导供水管网雅克比矩阵解析式,引入水量分配矩阵聚合节点流量,将欠定问题转化为超定,提高了校核的计算效率和结果的可靠性。采用简单管网阐明了雅克比矩阵的计算、节点流量的聚合及梯度向量的构造,利用实际管网验证了方法的实用性。     

基于PSO优化LS-SVM的木材含水率软测量建模

木材含水率是木材干燥过程中重要的技术指标。针对木材干燥过程具有强耦合、大滞后、非线性的特点以及木材含水率检测存在的问题,提出一种软测量方法。利用最小二乘支持向量机(LS-SVM)对非线性系统时间序列数据进行学习,建立被控对象的软测量模型,同时通过粒子群优化(PSO)算法对LS-SVM的惩罚因子和核函数参数进行滚动优化,提高软测量模型的预测精度。将木材干燥窑内的温度、湿度以及木材含水率作为样本数据,通过PSO优化的LS-SVM方法建立木材含水率的软测量模型,进而利用该模型实现对目标检测点木材含水率的软测量。仿真结果表明,PSO-LSSVM软测量模型预测精度高,泛化能力强,满足木材干燥控制系统的实际测量要求。     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。     

基于粒子群算法和支持向量机的黄花菜叶部病害识别

使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSO-SVM的多特征融合分类模型识别黄花菜病害。基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67%;基于PSO-SVM多特征融合分类模型识别率高达92.39%。基于PSO-SVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害。     

基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子 C 和核函数宽度 g 的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明：该预测模型的平均相对误差为12.5%,平均绝对误差为 0.986 m ,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。     

基于图像处理和支持向量机的初烤烟叶颜色特征区域分类

颜色是烤烟烟叶品质的重要外在指标之一, 在生产中, 同类颜色烟叶在不同产地却往往存在着较大的差异。采用区域生长方法对烟叶图像进行分割预处理, 然后提取烟叶的颜色特征, 再运用一种新的机器学习算法—支持向量机分类方法对我国烟叶颜色特征进行区域分类。结果发现在小样本情况下, 采用径向基函数作为支持向量模型的核函数, 并确定了适当的模型参数, 所建立模型对烟叶颜色区域特征的回判识别率达100%, 预测识别率达86.67%。支持向量机对典型产地烟叶颜色的分类识别具有良好的应用性能。     

基于LS-SVM逆系统的焦炉集气管压力系统内模控制

焦炉集气管压力是炼焦生产过程中重要的工艺参数,其值是否稳定,直接影响到煤气质量、焦炉寿命、焦炭质量和生产环境。针对焦炉集气管压力系统是一个强干扰、非线性和多变量耦合的复杂系统,采用LS-SVM辨识出焦炉集气管压力系统的逆系统模型,并将其串联在原系统之前,运用逆系统的方法将集气管压力系统解耦成2个相互独立的单输入单输出伪线性子系统。同时,对解耦后的系统采用非线性内模控制策略以保证系统的鲁棒性和稳定性。仿真和应用结果表明该控制策略的解耦控制效果较好,提高了系统的快速调节能力和跟踪精度,而且增强了系统的鲁棒性,可以保证焦炉集气管压力稳定在现场工艺要求的范围内。     

基于智能算法优化SVM的横向通风过程中温度场预测方法探究

将改进的智能预测技术应用于储粮横向通风过程中的粮堆温度预测,为粮食通风智能预测与决策提供了一种新思路。选取河北清苑国家粮食储备库冬季横向通风的实时监测数据,在分析主要影响因素的基础上,应用三种智能优化算法——网格寻优算法、GA遗传算法寻优、PSO粒子群算法,结合回归支持向量机理论,对粮堆的通风过程进行建模。结果表明,优化过的回归预测模型能较好地拟合粮食温度与其他变量之间的非线性关系,尤其是当样本数量较为有限时,该方法具有更高的拟合精度,更适合对储粮通风这一强非线性过程的预测研究,对于人工干预操作具有一定的现实指导意义。     

基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a比值估算

类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6, PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠...     

Fault diagnosis based on least square support vector machine optimized by genetic algorithm

A new fault diagnosis model is proposed based on Multi-Class Least Square Support Vector Machine optimized hierarchically by Genetic Algorithm(GA). Original vibration signals are decomposed into several stationary IMFs. Then the instantaneous amplitude energy of the IMFs with fault modulation characteristics is computed and regarded as the input characteristic measure of the Poly-kernel Multi-Class LS-SVM for fault classification. EMD decomposition adaptively isolates the fault modulation signals from original signals. The differences among instantaneous amplitude energy vectors reflect the separability of different fault types. Adopting GA to optimize punish parameter and Poly-kernel parameters hierarchically can not only enhance fault prediction accuracy of Multi-Class LS-SVM with Poly-kernel, but also improve adaptive diagnosis capacity of LS-SVM. The GA-based hierarchical optimization is also applicable to Multi-Class LS-SVM with Lin-kernel, RBF-kernel or Sigmoid-kernel. The deep groove ball bearings fault diagnosis experiment shows the effectivity of this new model.     

Digital modulation mode recognition based on multi-classclassification of support vector machine

To solve the overfitting, underfitting and local minimum existing in neural networks, a digital modulation mode recognition method based on support vector machine (SVM) is proposed. Seven characteristic parameters are extracted from instantaneous amplitude, instantaneous phase, instantaneous frequency, frequency spectrum, and changes in characteristics of the envelope to train support vector machine. Compared with the existing algorithms, using binary tree theory to design multi-class classifier has the features of simple, high-speed, high-precision. The simulation results indicate that the scheme can achieve 97% recognition accuracy when the signal to noise ratio (SNR) is above 15 dB with the AWGN channel.     

Running condition monitoring for environmental protection equipment based on a clustering support vector machine

A multi-classification clustering model based on Support Vector Machines (SVM) is proposed to address problems of condition monitoring and identification in environmental protection equipment. Based on the associated attributes of monitoring equ     

基于支持向量机的蘑菇毒性判别研究

毒蘑菇和可食用蘑菇在外表上非常相似,依靠传统方法难以判别。为了实现判别上的自动化和增强可靠性,提出了一种基于支持向量机的蘑菇毒性判别方法。首先给出了数据样本和数据预处理的方法,其次建立C-SVM模型并进行训练,同时依照一对一方法实现了支持向量机的多分类,最后使用定步长探索法获得了模型的最优参数。仿真实验对比分析了不同样本量,不同参数下所提方法的准确度,验证了该方法在蘑菇毒性判别上的可行性。同时,使用神经网络、决策树方法进行分类器间的性能对比,发现与神经网络、决策树的判别结果相比,所提方法具有准确率高、操作方便、实用性强等优点。     

基于区间分析的框架结构不确定性损伤识别方法

考虑实际结构易受荷载、环境温度和测试噪声等不确定性因素的影响,笔者基于区间分析原理提出框架结构不确定性损伤识别方法。利用测试的结构加速度响应数据,建立向量自回归模型,并采用其系数矩阵主对角线的马氏距离作为损伤特征指标。基于粒子群算法建立区间优化求解方法,并与传统的区间组合法和区间叠加法对比。通过提出的区间重叠率指标和区间名义值分别实现损伤定位和损伤程度的识别。数值模拟和实验室框架结构试验结果表明,区间分析能在测试数据较少时实现损伤识别,为损伤识别在实际结构中的应用提供了理论基础和技术手段。     

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化,每次搜索结果不一定相同,因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性,利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算,对降维后选择的波段分别利用支持向量机（SVM）、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类,分类结果中,Fisher分类法的结果最好,所有的分类结果均在90%以上,SVM和BP神经网络的分类结果都保持在80%以上,贝叶斯分类法分类精度最差,所有分类结果均未超过90%,最差结果为43.75%。同时,将PSO-SVM与PCA算法进行对比分析,发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论,PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效;当光谱数据差异非常微小时,PSO-SVM比PCA对特征的提取更有效。     

Partial discharge pattern recognition based on S transform and two-directional 2DPCA

A new feature extraction method is proposed to recognize different types of partial discharge (PD) signals. Firstly,four typical categories of PD artificial defect models are made and S transform (ST) is employed to obtain a time-frequency representation of the recorded UHF signals. Then,two-directional two-dimensional principal component analysis ((2D) 2PCA) is applied to compress the ST amplitude (STA) matrix to extract features. Finally,support vector machine (SVM) combined with particle swarm optimization (PSO) algorithm is introduced to accomplish the recognition of experimental samples. Classification results demonstrate that the average recognition rate of (10,5) combination is the highest while the one of (5,5) combination is the lowest among four kinds of feature dimension combinations. Moreover,PSO can obviously improve the classification performance of SVM. Specifically,all the average recognition rates of PSO-SVM are higher than 94.43%and the maximum value comes to 97.67%. Therefore,the feature sets extracted by ST and (2D) 2PCA can not only achieve dramatic dimension reduction,but also retain the major information of original data. It is proved that the proposed algorithm can obtain ideal results in PD pattern recognition.