煤矿单相接地电容电流对电网的影响

介绍了煤矿单相接地电容电流对电网的危害,系统地阐述了附加电容法测试单相接地电容电流的方法与应用,提出了现阶段煤矿电网接地电容电流的治理措施。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

电网对地电容电流治理的研究

由于煤矿供电采用不接地系统,电力电缆数量较多,电网对地电容电流严重超标,针对这一实际情况,浅谈对电网电容电流的治理。     

电网电容电流的辨识算法设想

介绍一种测量计算电流电容的新方法,该方法不同于传统测量方法,是结合系统辨识理论,采用递推式最小二乘法,最终计算出电网电容电流。     

单相接地电流的危害及补偿方法

分析了矿井电网发生单相接地故障时（矿井电网对地电容情况下）,接地电容电流及其可能造成的危害,介绍了2种接地电容电流的补偿类型。     

基于AR模型和SVM的脑电信号分类

 基于P300事件相关电位的脑机接口（BCI）系统中,有效的P300特征提取及分类是系统开展后续工作的关键。应用时间序列自回归（AR）模型及支持向量机（SVM）算法对脑电信号进行P300分类;对10导联脑电数据分别分段,并对每段建立AR模型;采用最小二乘法进行AR模型系数估计,由估计出的系数序列构成特征向量,送入SVM进行模式分类。实验针对BCI Competition Ⅲ dataset Ⅱ数据集进行了方法验证,提出的方法在15试次情况下识别正确率达93.5%。实验及数据分析结果表明,应用SVM分类器对AR模型提取出的系数序列特征向量进行分类,具有较好的系统识别正确率,可为实现基于P300的BCI系统实际应用奠定理论和实验基础。     

基于自适应神经网络的电网稳定性预测

电网安全稳定是电力企业乃至整个社会改革、发展、稳定的基础.随着电网结构复杂度的增加,更需要电网安全和稳定地运行,这是保证国民经济快速良好发展的重要要求.基于机器学习方法,提出了一种优化神经网络的电网稳定性预测模型,并和经典机器学习方法进行了横向对比.通过UCI 2018年电网稳定性仿真数据集的实验分析,结果表明,所提出的方法可以达到更高的预测准确率,同时也为电力大数据的研究提供了新思路.     

多项式与SVM预测模型的理论分析及应用比较

标准支持向量机(SVM)及其改进形式的最小二乘支持向量机(LS-SVM)基于结构风险最小化,成功解决了多项式模型在预测方面所面临的问题;文章首先从理论上分析了SVM模型比多项式回归模型在预测方面更具有优越性;具体实验结果表明,SVM模型预测精度高,抗干扰能力强,更适合在预测方面的应用.     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

基于AR模型和SVM的果蝇振翅声分类

分别对3个不同品系果蝇的振翅声建立了AR模型,提取AR系数和白噪声序列的方差作为特征,然后用支持向量机(support vector machine,SVM)分类同种内的3个不同品系果蝇的振翅声。使用AIC准则确定AR模型的阶数,用Burg方法估计AR模型的参数,用重尾径向基函数作为支持向量机的核函数,实现对不同品系果蝇振翅声的特征提取和分类。实验结果表明3个品系的果蝇振翅声的分类正确率均达到了88%以上。     

基于SVM理论的大坝变形监测模型改进方法研究

分析与处理大坝变形监测资料对于大坝安全运行意义重大.支持向量机(SVM)能够有效解决高维数的非线性问题,并且具有良好的泛化能力.以SVM理论为基础,建立大坝变形监测模型,并在此基础上研究其改进方法.改进思路为充分利用马尔科夫链适用于原始监测数据波动大的优势,对其残差进行处理;同时考虑到核参数和惩罚因子的选择对SVM模型有很大影响,采用改进粒子群算法对其参数进行寻优.通过实例分析比较各种改进方法,结果表明,提出的对SVM模型的改进方法可以提高预测的泛化能力及精度.     

基于PSO和分组训练的SVM参数快速优化方法

针对在利用粒群优化算法（PSO）对支持向量机（SVM）参数进行优化时,由于SVM训练运算量较大,导致需多次迭代过程的参数优化速度缓慢的问题。引入分组训练方法,将训练样本分成若干样本子集分别进行训练,然后对经分组训练得到的各个SVM的参数进行优化。在提高了训练速度的同时,大幅提高了参数优化速度,并对分类SVM的参数优化进行了仿真实验,取得了良好的优化效果。     

基于自适应权值的SVM集成学习方法

提出一种自适应权值的支持向量机集成学习方法。该方法以Bagging方法为基础,结合部分AdaBoost算法权值更新的思想,给各个子分类器赋予权值,同时结合支持向量机本身的特性,对训练数据进行选择,加大训练样本的差异性。相比较传统的Bagging方法,结合SVM的特性来更有针对性的训练错分样本。文中使用4个UCI数据集进行对比实验,结果表明本文算法相比较传统的Bagging算法可以在一定程度上提高分类器的泛化能力。     

基于SVM和PSO的烧结工况预报方法

利用滚球算法对在线采集的烧结工况图像进行去噪处理,然后利用大津方法和双快速行进法从去噪后的图像中分割出物料区、火焰区和充分燃烧区等关心区域,再从这些关心区域中提取特征.基于ReliefF-GA方法对特征进行约简,利用PSO优化SVM模型参数,建立烧结工况预报模型,基于该模型进行烧结工况预报.经过大量实验验证,该方法可以较大程度地提高烧结工况的预报率.     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

多晶硅薄膜晶体管的电流和电容分析模型

提出一种用于电路模拟的基于表面势的多晶硅薄膜晶体管(poly-Si TFTs)的电流和电容分析模型.采用非迭代方法计算poly-Si TFTs表面势随端电压的变化,从而大大地提高了上述模型的计算效率.基于表面势的解析计算和薄层电荷方法,提出了包括小尺寸效应和翘曲效应的电流电压模型.同时,文中还提出了基于电荷的电容模型.电流和电容模型在线性区和饱和区都是连续和准确的,不需要没有物理意义的光滑处理.与实验数据的比较发现,模型和实验数据符合得较好,这也证明了所提出模型的准确性.并且,该模型适用于电路仿真器.     

一种基于AdaBoost的SVM分类器

针对AdaBoost的分量分类器的分类精度和差异性互为矛盾、以至于该矛盾的存在降低了AdaBoost算法的分类精度和泛化性的问题,提出了一种变σ-AdaBoostRBFSVM算法,通过根据训练样本调整各个分量分类器的核函数参数值,使分量分类器在精度和差异性之间达到一定的平衡,从而提高了集成分类器的分类精度和泛化性。对标准数据集的分类实验结果表明了算法的有效性。     

基于ARIMA和SVM混合模型的流感新增病例预测

常见的传染病预测模型需要大量数据作为支持如灰色模型、人工神经网络模型、通径分析模型.对于突如其来的大规模传染病,其数据量小、预测结果亟待使用的特点对预测工作的准确度和速度提出了双重要求.针对2009年美国爆发的甲型H1 N1流感新增病例的少样本数据集,优化ARIMA模型,建立一种对未来流感新增病例数的预测模型,使得该模...     

SVM和BP算法在掌纹验证方法中的比较

本章通过用SVM算法和神经网络算法两种方法对掌纹图像进行分类,验证了基于SVM算法分类的优越性远远大于传统的神经网络算法分类.而且,SVM算法具有良好的抗噪性,而对于神经网络算法,一旦输入向量的维数增加,其收敛性和错误率都会发生较大的偏差.实验结果验证了用SVM算法比用神经网络算法有更大的准确率,尤其在小样本、高维数的分类上.     

基于多核SVM的AdaBoost心力衰竭死亡率评估模型

【目的】心力衰竭简称心衰,是一种复杂的临床综合征,具有高发病率、高死亡率和预后效果不佳等显著特点,是各类心脏疾病发展的终末期,严重危害人类健康。因此,对心衰患者进行早期的预后评估研究至关重要,可以最大程度地帮助患者生存。【方法】提出一种基于多核支持向量机(multi kernel support vector machine, MK-SVM)和自适应提升算法(adaptive boosting, AdaBoost)的心力衰竭死亡率评估模型(MK-SVM-AdaBoost).该算法利用MK-SVM将特征映射到高维空间,并依据AdaBoost算法将基本分类器进行集成,实现死亡率的精确预测。同时,将合成少数过采样技术(synthetic minority oversampling technique, SMOTE)和Tomek links欠采样技术相结合的混合抽样方法引入到预测模型中,减轻不平衡数据集对模型性能的影响。【结果】在收集于白求恩医院的小型心衰数据集上进行心衰患者30 d内死亡率预测实验。实验结果表明,MK-SVM-AdaBoost模型的准确率和召回率分别达到了85.63%和86....