基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

SiPLS-CARS与GA-ELM对哈密瓜冠层叶片含水率的反演估测

传统的叶片含水率检测方法效率低、操作繁琐且是有损的检测,不利于大田哈密瓜叶片含水率的快速获取。为实现对大田哈密瓜生长期进行更精细的田间灌水管理,利用光谱技术分别获取了哈密瓜植株在成长期（M₁）、开花期（M₂）、结果期（M₃）、成熟期（M₄）四个时期内的冠层叶片样本,采用烘干法测得叶片样本的含水率。为提高预测模型的精度和稳定性,首先开展并讨论极限学习机（ELM）模型中的核函数与隐含层神经元个数的选择对ELM模型精度的影响。随后分别利用联合子区间偏最小二乘法（SiPLS）及其与竞争性自适应重加权采样法（CARS）、遗传算法（GA）、连续投影算法（SPA）的组合算法对全波段光谱数据中与叶片含水率相关性高的特征波长进行筛选提取。再分别使用GA与粒子群算法（PSO ）对已经确定最佳核函数与隐含层神经元个数的ELM模型中的输入层与隐含层间的连接权值（W）和隐含层神经元阈值（B）进行优化选择,获取最优且稳定的W与B值,进一步提高模型的稳定性和预测精度。最后将四种特征波长提取算法优选出的特征波长分别进行ELM,GA-ELM,PSO-ELM建模分析,以校正集和预测集的相关系数R_c与R_p为模型评价指标,经过对比分析优选出能准确预测哈密瓜冠层叶片含水率的反演估测模型。采用SiPLS及其与CARS,GA和SPA的组合算法提取特征波长,筛选出的变量数分别为273,20,32和6,占全光谱变量的15.6%,1.2%,1.9%和0.03%。进一步将筛选出的特征波长作为自变量,叶片的含水率作为因变量,建立了ELM的预测模型,最佳预测精度R_p值为0.845 0,预测精度不是很理想。故引入GA与PSO对ELM中随机产生的W与B值进行优化选择。最终,经过研究发现,利用GA优化后的ELM模型结合SiPLS-CARS筛选出的特征波长建立的哈密瓜冠层叶片含水率预测精度最优,故反演叶片含水率的最优建模方式为SiPLS-CARS-GA-ELM,R_c值为0.928 9,R_p值为0.903 2,所建模型精度较高,可为大田哈密瓜冠层叶片的含水率进行快速检测,为田间灌溉管理提供科学依据。     

模拟退火优化SVM参数的变压器故障诊断

利用群智能算法优化支持向量机(SVM)参数往往需要引入额外的变量,使变压器故障诊断问题更加复杂,对此提出一种自适应的模拟退火算法优化(ASA)支持向量机参数。通过设计自适应的冷却进度表,使得寻参的过程仅仅依赖于退火速率以及网格搜索粒度,保持了较少的参数设置。在相关数据集上的实验表明,与已提出的粒子群算法(PSO)、遗传算法(GA)相比,ASA算法具有更快的收敛速度以及较好的诊断精度。利用自适应的模拟退火算法能够较好的优化SVM参数并提高变压器故障诊断的精度。     

基于贝叶斯优化的SVM玉米品种鉴别研究

为了快速检测玉米品种类型,基于支持向量机(SVM)和近红外光谱联合建立玉米品种的分类模型。以郑单958、先玉335、京科968、登海605和德美亚等五个品种共计293个样本为研究对象,对采集的近红外光谱进行标准正态变量变换(SNV)处理后使用主成分分析法(PCA)对光谱数据进行降维处理。按照6∶1比例,随机选取251个样本为训练集,42个样本作为测试集,探讨贝叶斯优化算法(BO)对SVM模型性能的影响。分别使用网格搜索(GS)、遗传算法(GA)和BO算法等三种方法对SVM模型的两个重要参数惩罚因子C和径向基核函数参数γ进行寻优。选择各模型十折交叉验证识别准确率最高时对应的惩罚因子和核参数作为建模参数,建立SVM分类模型。将使用BO算法建立的SVM分类模型与使用GS和GA进行参数寻优后建立的模型性能进行比对。实验发现,使用BO优化的SVM分类模型相比于其他两种优化算法得到的SVM模型性能具有显著优势,测试集的识别准确率可达到100%。说明使用BO算法寻优的SVM模型参数是全局最优参数,其他两种优化算法寻优的参数可能陷入了局部最优,从而导致模型性能表现不佳。在进行PCA降维前后的光谱数据上分别建立BO-SVM模型,结果表明,BO算法对于高维数据优化效果不佳,更适用于低维数据。对于不同样本类别间数量不均衡导致模型性能表现不佳的问题,通过剔除郑丹958和先玉335两类数量较少的样本,使用剩余三个类别,共计248个样本重新建立SVM模型,实验发现,剔除两类小样本之后,各个模型在测试集上的性能均有提升,说明对于类间样本数量不均衡问题,某类样本数量越多,对于模型参数的修正就越细腻,模型对该类的拟合效果就越好。研究结果可用于玉米品种的快速鉴别,也可为基于近红外光谱的其他农产品分类和产地鉴别提供参考。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

水溶液中稀土离子与甘氨酸、丝氨酸、天冬氨酸作用的13C NMR研究

测定了酸性水溶液中甘氨酸、丝氨酸和天冬氨酸稀土络合物(Ln=La、Pr、Nd、Eu、Tb、Dy、Ho、Er、Tm和Yb)的¹³C诱导位移。对位移试剂的分析指出,三种氨基酸通过α-羧基以双齿形式配位于稀土,配位键长为0.23nm~0.25nm,天冬氨酸的γ-羧基也是配位基团。由本文与文献中已报道的各种氨基酸稀土络合物的¹³C诱导位移的系统分析表明,配体¹³C超精细偶合常数A值和结构因子G值有如下规律:(1)│A(C₀)│<│A(C_α)│;A(C₀)为正,A(C_α)为负;(2)│G(C₀)│>│G(C_α)│;配体碳核的G均为负值。     

近红外光谱结合灰狼算法优化支持向量机实现烟叶产地快速鉴别

烟草是一种成分复杂的天然植物,地理位置、生长条件等外界因素直接影响着烟叶的品质;我国烟叶种植范围十分广泛,每个产区种植的烟叶都有其独特的风格特征,不同产区的烟叶配比对卷烟的质量起着决定性的作用。为实现烟叶产地准确、快速判别,基于近红外光谱（NIRS）,采用灰狼算法（GWO）优化的支持向量机（SVM）算法实现烟叶产地鉴别分类。以8个产地的824个烟叶样本为研究对象,基于x-y距离样本集划分（SPXY）方法得到校正集617个和验证集207个样品。首先应用最佳波长筛选方法,如竞争自适应加权采样（CARS）和随机青蛙（RF）算法减少光谱冗余信息,最终从1 609个变量中分别获得141和534个与产地相关的重要变量,并以此输入SVM作为建模数据,接下来在相同搜索范围内比较了粒子群优化算法（PSO）、遗传算法（GA）和GWO对SVM分类模型的优化效果。结果表明,经RF筛选后的光谱变量较CARS具有更好的产地建模性能,其中RF-GWO-SVM对8个产地烟叶的整体判别正确率达到了96.62%,相较于RF-PSO-SVM和RF-GA-SVM正确率更高。同时,RF-GWO-SVM的运行时间分别比RF-PSO-SVM和RF-GA-SVM的运行时间缩短156和131 min,RF-GWO-SVM具有精度更高、寻优速度更快等优点。GWO对于SVM模型参数具有更高效的优化能力,可用于烟叶产地快速鉴别模型的建立。     

基于改进的PSO优化SVM火灾火焰识别算法研究

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法;首先在YCrCb颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别;算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法;仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

(G′/G)展开法和(2+1)维非对称Nizhnik-Novikov-Veselov系统的新精确解

通过引入并扩展 （G′/G）展开法, 构造出（2+1）维非对称Nizhnik-Novikov-Veselov系统的三种形式的新精确通解: 双曲函数通解, 三角函数通解, 有理函数通解. 当双曲函数通解中的常数取特定值时, 通解变为相应孤立波解. 关键词： G′/G）展开法')" href="#">（G′/G）展开法 （2+1）维非对称Nizhnik-Novikov-Veselov系统 精确解 孤立波解     

L12型铝合金的结构、弹性和电子性质的第一性原理研究

运用第一性原理方法研究了L1₂型铝合金相Al₃Sc和Al₃Zr的晶体结构、电子结构和弹性.结合能和形成能的计算表明,两种合金具有较强的合金化能力,且Al₃Zr较Al₃Sc具有更强的结构稳定性.电子结构分析表明,费米能级以下较多的价电子数决定了Al₃Zr具有较强的结构稳定性.计算并分析比较了两种合金相的单晶弹性常数（C₁₁,C₁₂和C₄₄）以及多晶弹性模量（体弹性模量B、剪切模量G、杨氏模量Y、泊松比ν和各向异性因子A）.通过对比实验和其他理论计算结果,进一步分析和解释了两种合金相的力学性质. 关键词： 铝合金 第一性原理 结构和电子性质 弹性     

基于粒子群优化支持向量机的太阳电池温度预测

建立通用而精确的太阳电池热模型对光伏系统的建模、输出功率与转换效率的损失分析至关重要. 基于复杂的太阳电池温度机理, 分别研究了太阳电池温度的稳态热模型(steady state thermal model, SSTM)和支持向量机(support vector machines, SVM) 方法建立的精确预测热模型. 首先, 基于空气温度、太阳辐射强度、风速3个最主要因素与太阳电池温度的近似线性关系, 在已有SSTM的基础上, 建立并校正了太阳电池的SSTM并采用差分进化算法提取模型的未知参数. 其次, 为提高SVM的模型预测精度, 采用粒子群优化(particle swarm optimization, PSO) 算法对SVM的核参数和惩罚因子进行动态寻优, 在确定输入/输出样本集并划分训练集和测试集的基础上, 建立了基于粒子群优化支持向量机(PSO-SVM)的太阳电池温度精确预测热模型. 最后, 搭建实验平台, 在实验操作过程中减弱空气湿度、太阳入射角和热迟滞效应等因素对太阳电池温度的耦合. 通过实验对比表明, 建立的预测热模型性能可靠、全面、简洁, 其参数寻优算法优于遗传算法和交叉校验法, 模型预测精度优于反向传播神经网络(back propagation neural network) 和SSTM.     

粒子群及遗传算法在相对论返波管中的应用

在全三维粒子模拟软件CHIPIC平台上,分别开发了粒子群及基因算法模块.以相对论返波管为例,采用三种不同类型的参数(连续参数、离散参数、混合参数),对粒子群及基因算法进行比较.优化结果表明:粒子群算法的收敛速度更快,在有限的迭代步数内得到的目标结果也更优良,总体表现优于基因算法.     

基于太赫兹时域光谱和模式识别技术软玉和仿品鉴别

玉石是一种稀有的矿物质,自古以来备受国人喜爱,其真伪鉴别一直是珠宝鉴别行业的棘手难题,传统的鉴别方法已经难以实现对真假玉石的准确鉴别。太赫兹检测技术可以实现快速无损检测,在混合物的分类鉴别方面,有广泛的应用。基于太赫兹时域光谱技术和模式识别技术,对来自我国新疆、青海,以及巴基斯坦、阿富汗四个地区的软玉样品及玻璃、大理石、石包玉三种仿品,使用透射模式测得样品在0.1~1.5 THz频率范围内的太赫兹谱,通过参数提取得到其折射率谱线。由于其化学成分的复杂和多样性,仅靠其特征谱线图,并不能正确的区分软玉和仿品,为了更好的对其进行鉴别,需要建立分类模型。采用主成分分析（PCA）对实验得到的原始折射率数据进行降维和特征提取,作出样品在第一、二主成分上的二维得分图,在图中可以看出软玉和仿品能够很明显的区分开来。在经过降维处理之后的数据中,随机选取其中的四分之三作为训练集,剩下的作为测试集,输入到支持向量机（SVM）建立的分类模型中,并引入网格搜索（GridSearch）、遗传算法（GA）和粒子群算法（PSO）对支持向量机参数进行优化。结果显示,基于网格搜索的支持向量机最优参数c=2.828 4,g=2,识别率为97.7%,运行时间为1.39 s,用时最短;基于遗传算法的支持向量机最优参数c=1.740 1,g=4.544 6,识别率为98.3%,运行时间为3.6 s;基于粒子群算法的支持向量机最优参数c=11.287 2,g=1.833 1,识别率为98.6%,运行时间为6.13 s,用时最长。虽然三种优化算法得到的最优参数不同,但均可实现正确的分类。研究结果表明,使用太赫兹时域光谱技术结合模式识别方法可以快速、准确的鉴别软玉和仿品,这为玉石的鉴别提供了一种新手段。     

改进型 PSO‐SVM算法对井下多组分气体定量分析的研究

对于多组分混合气体定量分析而言,基于特征光谱的定量分析技术具有不可比拟的优势,而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定,并且随组分数增多而呈指数增长的光谱数据运算量的问题,提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。该算法主要针对多组分气体混合光谱数据量大,光谱特征信息存在交叠的问题进行研究。通过粒子变异约束PSO算法的收敛路径,再通过粒子信息共享提高模型优化效率,最后利用设置动态不敏感区提高模型精度。设计了一种井下多组分气体快速定量检测系统。该系统由CPU控制信号调制模块驱动红外光源,信号光经过滤尘除湿后的气室照射在探测器上。在压力与温度传感器补偿的基础上,由信号处理模块将探测得到的光信号量化传入CPU,最终,结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。在完成井下实际样气采集、预处理的基础上,对浓度范围0～10.0%的CH₄和浓度范围0～1.0%的C₂H₆,C₃H₈,SO₂和CO₂共5种组分的混合气体进行了测试,获得了800组红外光谱数据,其中训练集400组,验证集400组。采用SVM建立了多组分气体的定量分析模型,利用改进型PSO对SVM中的参数进行了优化,并将获得的最优参数重建了定量分析模型。对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演,实验结果显示,由于变异粒子对其产生的约束,使最优值收敛范围变小,从而提高了收敛速度,该算法建模时间仅为传统方法的1/10;由于通过气体光谱特性给出不敏感区,使特征光谱计算时交叉敏感效率降低,从而提高了模型预测的准确度,平均误差约为传统方法的1/5。由此可见,该算法在全局优化及快速收敛方面得到了显著提升,改进型PSO结合SVM用于井下多组分气体定量分析是可行的。改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性,其有一定的实际应用价值。     

激光诱导击穿光谱精确测定燃煤工业分析指标的研究

燃煤工业指标的在线精确分析对于指导燃煤工业优化生产、降低燃煤煤耗至关重要。利用激光诱导击穿光谱(LIBS)分析燃煤煤质时,因受我国复杂多样煤种所导致的“基体效应”,测量精度有待提高。实验中对激光诱导燃煤等离子体光谱至燃煤工业分析指标转化过程中的光谱预处理和定标建模方法进行了优化选择。实验结果表明,利用单/多峰Lorentzian光谱拟合计算谱线强度相比于传统计算方法,谱线强度RSD均值可由12.1%降至9.7%;对于核函数参数寻优,相比于网格参数(Grid)和遗传算法(GA),粒子群算法(PSO)的平均绝对误差(MAE)最小;采用PSO参数寻优式支持向量机(SVM)回归建模的预测均方根误差(RMSEP)小于偏最小二乘回归分析法(PLS);采用单/多峰Lorentzian光谱拟合方法和PSO参数寻优式SVM回归建模,对燃煤工业分析指标预测的平均绝对误差(AAE)为：灰分为16%～30%时AAE为1.37%,灰分大于30%时AAE为1.77%,发热量为9～24 MJ·kg-1时AAE为0.65 MJ·kg-1,挥发分低于20%时AAE为1.09%,挥发分大于20%时AAE为1.02%。