水资源监测异常数据模态分解-支持向量机重构方法

完备真实的水资源监测数据是支撑数据分析与决策的基本前提。在梳理现阶段水资源监测异常数据的基础上,提出运用移动平均拟合初筛来直观辨识异常监测数据,进而选取集合模态分解对非可直观辨识异常监测数据进行挖掘的方法。将剔除异常监测值后的时序数据作为基于粒子群优化最小二乘支持向量机模型的模拟样本,并利用其恢复所剔除的异常监测数据。对水务公司日取水量监测数据的实证分析结果表明,通过移动平均拟合与模态分解可较大限度地保留含有异常数据的特征向量并实现数据的有效重构,相比传统的统计方法其具有更好的适用性;运用粒子群优化的最小二乘支持向量机可进一步提高对剔除异常值数据的拟合效果,且符合水资源监测数据的季节波动规律特征及对实际取用水状态的客观反映,据此可相对合理地达到恢复所剔除异常监测数据的目的。     

基于GA优化AR-LSSVR组合模型在区域降雨量预测中的应用研究

为了提高地区降雨量的预测精度,提出遗传算法优化的时间序列最小二乘支持向量机回归组合模型。首先利用时间序列分析法对858农场年降雨量数据进行拟合,其次对拟合后实际数据与拟合数据产生的绝对误差运用最小二乘支持向量机进行训练,较好地解决了小样本、高维数、非线性和局部极小问题,同时避开了传统的网格搜索法在大范围内寻找参数费时等缺点,采用遗传算法寻找最佳的惩罚参数c和核函数参数g,训练结果与实际测量值接近,预测精度较高,并对未来3a的降雨量进行了预测,为858农场未来水资源规划、合理制定灌溉制度、抗旱防涝提供了重要的科学依据。     

基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于最小二乘支持向量机的人民胜利渠灌区灌溉用水量预测

基于最小二乘支持向量机（LSSVM）良好的泛化能力和特点,以人民胜利渠灌区需水量为研究对象,选用径向基函数（RBF）作为核函数,建立了最小二乘支持向量机预测模型,对灌区需水量进行了模拟计算,用检验样本与灰色预测和基于RBF的神经网络模型的预测结果进行了比较,LSSVM预测的最大误差8.78%,平均误差4.90%。结果表明最小二乘支持向量机模型有较高的预测精度和较强的泛化能力,可为灌区水资源规划提供科学依据。     

混沌遗传最小二乘支持向量机法预测日用水量

利用混沌运动的初值敏感性、内在随机性和遍历性的特点,提出基于混沌遗传算法和最小二乘支持向量机的城市日用水量预测法。通过混沌映射搜索自适应遗传算法的较优初始种群,采用自适应遗传算法优化最小二乘支持向量机的超参数,利用交叉验证法确定遗传算法个体的适应值,建立基于最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更高的预测精度。     

基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

基于光谱技术的褐壳血斑蛋鉴别方法研究

血斑蛋是一种带有血丝的异常蛋。通过自制的鸡蛋内部品质光谱检测系统,采集40个正常蛋和60个人工注射血样的血斑蛋的可见/近红外光谱,研究比较了3种不同的血斑蛋判别方法:传统的血值判别法、偏最小二乘判别法(DPLS)以及融合光谱信息与蛋壳颜色信息的最小二乘支持向量机(LS-SVM)判别法,结果表明基于颜色信息融合的最小二乘支持向量机的判别结果明显优于传统的血值判别法,正常蛋的判别正确率为90%,血斑蛋的判别正确率为91.7%,证明了此方法可用于褐色蛋的血斑检测。     

核桃仁脂肪含量的近红外光谱无损检测

为了实现核桃仁脂肪含量的快速无损检测,在1 040～2 560 nm光谱范围内采集了核桃仁近红外光谱。首先,通过多元散射校正和标准正态化组合方法对原始光谱信息进行预处理,采用马氏距离法剔除异常样本;然后,运用竞争性自适应重加权采样算法与相关系数法相结合,进行特征波段筛选;最后,采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型。结果显示,以筛选出的6个特征波段为输入,采用偏最小二乘回归算法建立的核桃仁脂肪质量分数预测模型的验证集决定系数为0. 86,均方根误差为1. 584 9%;采用支持向量机回归算法建立的模型验证集决定系数为0. 88,均方根误差为1. 371 6%;表明支持向量机回归算法的建模质量优于偏最小二乘回归算法。采用特征波段建立的支持向量机回归预测模型能大幅降低建模复杂度,实现核桃仁脂肪含量的快速无损检测。     

基于改进二叉树支持向量机的离心泵工况识别方法

为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.     

基于最优权系数组合建模的数控机床热误差在线补偿

针对数控机床热误差建模具有小样本、数据离散的特点,提出一种综合灰色预测和最小二乘支持向量机的热误差在线组合建模方法。根据机床温度和热误差的实验数据,分别建立热误差的灰色模型和最小二乘支持向量机模型,并通过加权系数将两者进行组合。以提高热误差的实测值和组合模型预测值之间的灰色综合关联度为目标,对模型的加权系数进行优化。在一台高架桥式龙门加工中心上进行建模实验,结果表明数控机床热误差最优权系数组合建模方法精度高、泛化能力强,优于灰色预测、最小二乘支持向量机和多元线性回归3种建模方法。利用该方法构建的预测模型进行机床热误差在线补偿,可有效减小热误差对机床加工精度的影响。     

基于高光谱反演的复垦区土壤重金属含量经验模型优选

以工矿复垦区为实验区域,基于ASD Field Spec 4高光谱遥感数据,结合实测的土壤重金属含量,利用回归分析与特征选择方法,开展了基于高光谱数据的土壤重金属含量反演研究与实验并进行了经验模型优选。通过对光谱曲线进行一阶微分、对数一阶微分以及对数倒数的一阶微分等数学变换有效提高了光谱数据与土壤重金属含量的相关性。在此基础上采用偏最小二乘回归(Partial least squares regression,PLSR)、随机森林回归(Random forest regression,RFR)、支持向量机回归(Support vector machine regression,SVMR) 3种回归分析模型开展土壤重金属含量反演实验,结果表明偏最小二乘回归(PLSR)对研究区内土壤中重金属含量的反演最为有效,尤其对区域内主要障碍因子镉(Cd)元素含量的反演效果最佳,验证集决定系数R2为0. 76。基于粒子群算法(Particle swarm optimization,PSO)、遗传算法(Genetic algorithm,GA)、Relief F算法3种特征选择方法对偏最小二乘回归(PLSR)模型进行优化,结果表明粒子群算法(PSO)可有效降低特征波段变量维度,进一步提高模型反演精度,使决定系数R2由0. 76提高至0. 84。综上,基于高光谱数据,采用偏最小二乘回归(PLSR)与粒子群算法(PSO)相结合的方法,可有效对工矿复垦区土壤中的重金属含量进行测度,可为复垦区土地的质量和生态指标监测提供理论方法和技术支持。     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

大坝实测服役性态抗噪预测模型

大坝变形、渗流、应力应变等服役性态的原型监测数据序列,多具有非线性特征且易受噪声污染。为基于原型监测数据,通过构建大坝服役性态预测模型,高效合理地拟合和预测大坝非线性服役性态,需高度重视模型抗噪能力和泛化能力的提升。源于此目标,综合应用小波、支持向量机(SVM)、粒子群算法(PSO)等工具,开展了大坝实测服役性态抗噪预测模型的构建方法和应用研究。在对大坝服役性态原型监测数据小波消噪处理的基础上,借助支持向量机,建立了大坝实测服役性态预测模型;考虑模型精度受SVM惩罚因子及核函数参数影响显著的特点,引入PSO算法,实现了支持向量机参数的寻优。将文中方法应用于某实际大坝变形实测性态预测模型的构建,结果表明,所构建的抗噪预测模型较传统统计回归模型,在预测能力方面有一定的优越性,且对样本数量方面的要求可适当放宽,体现出较强的工程实用性。     

光合有效辐射预测模型的核函数组合优化

以林下参种植基地光合有效辐射( PAR)、散射辐射(PFDdif)和直射辐射(PFDdir)为研究对象,以支持向量机linear核函数(k1)、polynomial核函数(k2)、radial basis function核函数(k3)为基础,构建新核函数.使用K-fold交叉验证方法,利用粒子群算法(PSO)对惩罚参数c和g值优化.试验结果表明,利用grid search算法设定惩罚参数c为16和g值为1时,通过比较相关系数及符合拟合均衡原则下,选出以0.2k1+0.8k2核函数而构建的光合有效辐射预测模型效果最佳,对由PAR、PFDdir和PFDdif数据组成的预测集1和预测集2拟合程度分别为89.213 2％和81.789 6％.利用粒子群算法对惩罚参数c和g值优化后,预测模型对预测集1拟合程度达到92.156 0％,对预测集2拟合程度达到90.036 0％.可见,采用0.2k1+0.8k2核函数和PSO的支持向量机预测模型对PAR具备预测能力.     

基于PSO-RVM-ARIMA的大坝变形预警模型

为克服支持向量机对核函数需满足Mercer条件的不足,学者们将相关向量机RVM引入大坝安全监测模型。为进一步提高RVM模型的预测精度,首先通过粒子群算法PSO对RVM的核参数寻优,再利用ARIMA模型对PSO-RVM模型的拟合残差项进行预测修正,建立PSO-RVM-ARIMA模型。通过实例分析,PSO-RVM-ARIMA模型的预测精度和泛化能力较RVM模型均有一定程度的提高。     

基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

鲁棒回归在水工建筑物安全监控模型建立中的应用

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段,而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响,针对这个异常值问题,采用鲁棒回归方法,有效地剔除或削弱了监测数据中的异常值的影响,实例分析表明:在监测数据中含有异常数据的情况下,基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

可见近红外光谱检测河套蜜瓜糖度和硬度研究——基于LS-SVM

最小二乘支持向量机是水果品质可见近红外光谱检测中新近发展起来的建模方法。为此,详细介绍了最小二乘支持向量机的工作原理以及基于Matlab环境的LS-SVM工具箱的使用;在此基础上,运用主成分分析和LS-SVM法建立了基于可见近红外光谱的河套蜜瓜糖度和硬度检测模型,并分析了样品糖度、硬度的真实值和预测值的相关性。预测结果表明:糖度和硬度预测值与真实值决定系数R2分别为0.865和0.852。LS-SVM法建模速度快、准确率高、易于实现,在可见近红外光谱数据分析中有很大的实用价值。