一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

混沌光学系统辨识的支持向量机方法

将支持向量机用于混沌光学系统的辨识,以布拉格声光双稳混沌系统为例,通过计算机仿真实验,尝试了用最小二乘支持向量机进行混沌光学系统辨识的可行性,并将其与采用反向传播算法的前向神经网络辨识方法进行了比较。采用最小二乘支持向量机辨识的优点是其训练过程遵循结构风险最小化原则,不易发生过拟合现象;它通过解一组线性方程组可得到全局唯一的最优解;最小二乘支持向量机的拓扑结构在训练结束时自动获得而不需要预先确定。结果表明,本方法的辨识精度和速度均优于基于反向传播算法的前向神经网络,且对含噪混沌光学系统的辨识也同样适用,它可作为混沌光学系统辨识的有力工具。     

基于模糊支持向量机的高光谱图像分类

常规支持向量机应用到高光谱图像分类中有较好的分类效果,但它对训练样本内部的噪声和孤立点特别敏感,在一定程度上影响了支持向量机的分类性能,针对该问题,引入了模糊支持向量机(FSVM),并且利用灰色关联分析代替模糊隶属度的求解,将这种基于灰色关联分析的模糊支持向量机与一对多算法相结合,解决了多类高光谱图像分类问题。HYDICE高光谱图像分类结果表明,噪声和孤立点训练样本对支持向量机的影响得到了有效地抑制,相比于常规支持向量机方法,分类精度得到了明显的提高。     

对比分析多种化学计量学方法在激光诱导击穿光谱土壤元素定量分析中的应用

为提高激光诱导击穿光谱技术对土壤元素检测的精度,建立了相关向量机土壤元素定量分析模型,并将该模型与已有的支持向量机模型和最小二乘支持向量机模型进行对比分析。以土壤元素Ni的4条特征谱线作为分析线,对其进行全谱归一化处理后,利用训练样品集建立相关向量机、支持向量机和最小二乘支持向量机模型。测试样品集的测试结果表明:在模型预测精度方面,支持向量机模型比另两种模型方法差;在稳定性方面,最小二乘支持向量机模型比另两种模型差。在实际应用中,相关向量机模型在稳定性及预测精度上的优势使其比另两个模型更适合用于激光诱导击穿光谱技术的定量分析中。     

基于选择性支持向量机集成的混沌时间序列预测

提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力，采用自组织映射和K均值聚类算法结合的聚类组合算法，从每簇中选择出精度最高的子支持向量机进行集成，可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验，结果表明可以对混沌时间序列进行准确预测，验证了该方法的有效性. 关键词： 支持向量机 集成 混沌时间序列 聚类     

基于LIBS技术对岩石识别的数据降噪方法

利用激光诱导击穿光谱技术进行原岩分类与识别存在可重复性差,数据残差值高等问题,导致其分类识别准确率较低.针对此问题,提出了一种基于格拉布斯准则法的异常值判别方法,该方法可以有效替换残差值较大的数据,从而降低分类识别算法过拟合的概率.使用线性判别分析法、随机森林分类法、支持向量机三种分类识别算法对岩石的LIBS光谱进行识别.在数据降噪前,三种方法的识别准确率为:线性判别分析法79.6%、随机森林分类法75.2%、支持向量机94.5%,而数据降噪后的识别准确率为:线性判别分析法92%、随机森林分类法97%、支持向量机99.4%.     

支持向量机和神经网络在粗糙面参数反演中的比较

首先介绍支持向量机和神经网络方法及其在内部网络训练上的不同.分别利用支持向量机和神经网络对高斯粗糙面的均方根高度和相关长度进行反演.通过仿真结果和误差对比分析,发现在小样本情况下,支持向量机的反演结果比神经网络好,而在具有大量样本的情况下,神经网络的反演精度有显著提高,而且反演时间比支持向量机少很多.     

改进加权支持向量机回归方法器件易损性评估

加权支持向量机回归算法,几乎都是以样本输入空间中的一个重要特征量的函数来确定权值,造成了在高维特征空间中作回归可能存在较大误差。针对这一问题,提出利用高维特征空间中的欧基里德距离来确定权值的方法,构造了一种改进的加权支持向量机回归算法,并将其应用到电子器件高功率微波易损性评估中。仿真结果表明:该方法具有比模糊神经网络法、标准支持向量机回归算法和一般的加权支持向量机回归算法更高的预测精度。由于增加了权值的计算过程,相对于标准支持向量机回归和模糊神经网络方法,该方法的效率较低,但与一般的加权支持向量机回归算法相当。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

基于改进型人工鱼群算法的支持向量机参数优化

支持向量机在高维度、小样本情况下具有独特优势,但同时支持向量机的参数优化极大制约了其分类效果,目前参数优化缺乏系统的理论指导。针对传统DAG-SVM训练分类器较多,训练耗时长,分类效果受到结构排序的影响,提出了一种基于“1 vs R”策略的改进型算法;针对 SVM传统参数优化方式耗时大,优化精度不高,提出了改进型人工鱼群算法;最后结合1 vs R-DAG支持向量机算法与改进型人工鱼群算法,得到一种新的改进型支持向量机算法。仿真对比实验证实,对支持向量机的参数优化是有效可行的。     

基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法

本文分析了传统支持向量机预测算法产生的误差特性,发现产生的预测误差不同于噪声,具有较强的规律性,单一的预测模型遗漏了许多混沌序列中的确定性分量.经过误差补偿后,残差的冗余信息减少,随机性增强.在此基础上,本文提出一种基于迭代误差补偿的最小二乘支持向量机预测算法,能够通过多模型联合预测更加有效地逼近混沌系统的映射函数,在预测精度上取得了大幅度的提升.此外,算法通过留一交叉验证法的方法能够在预测前自动优化模型参数组合,克服了现有算法无法仅利用先验信息优化预测模型参数的缺陷.对MackeyGlass和Lorenz混沌时间序列进行了仿真实验,实验结果优于相关文献记载方法的预测性能,在性能指标上好于现有算法一个数量级.     

LIBS分析模型对铝合金定量分析精度的影响

为了提高铝合金定量分析的精度,将激光诱导击穿光谱技术与多变量线性回归、中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合,建立铝合金中C u元素定量分析模型.对采集的L IBS光谱进行三阶极小值去背景和小波阈值降噪处理,从而提高LIBS光谱的信背比.将处理后数据筛选最佳训练集、预测集并用多变量线性回归、中值高斯...     

基于平均场支持向量机的混沌时间序列预测

提出了一种新的基于支持向量机的混沌时间序列预测方法，该方法利用平均场理论使支持向量机的学习过程变得简单高效。同时由于该方法将支持向量机的参数近似为高斯分布的，因此采用平均场理论能够容易的求解这些参数，这样获得的支持向量机的参数比传统的基于二次规划的算法更加精确，而且学习速度更快。最后利用该方法对嵌入维数与模型的泛化能力关系进行了探讨，并利用Mackey-Glass时间序列对该方法进行了验证，结果表明：该预测方法能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着平均场支持向量机是一种研究混沌时间序列的有效方法.     

用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

一种混沌海杂波背景下的微弱信号检测方法

基于复杂非线性系统的相空间重构理论,提出了一种基于遗传算法的支持向量机预测方法.利用改进的自相关法和饱和关联维数法确定混沌信号的时间延迟和嵌入维,从而实现相空间重构.通过遗传算法优化支持向量机中的惩罚系数和核函数参数,并结合支持向量机建立混沌序列的单步预测模型,从预测误差中检测出淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号).以Lorenz系统和加拿大McMaster大学利用IPIX雷达实测得到的海杂波数据作为混沌背景噪声进行仿真实验,结果表明该方法能够有效地从混沌背景噪声中检测出微弱目标信号,所得的均方根误差为0.00049521(信噪比为-89.7704 dB),这比传统支持向量机方法的均方根误差(0.049,信噪比为-54.60 dB)降低了两个数量级.     

基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

单轴旋转惯导系统轴向陀螺漂移预测方法

轴向陀螺漂移是影响单轴旋转惯导系统导航精度的主要因素。对于轴向陀螺漂移的预测,提出了一种基于支持向量机的算法。利用初始对准12 h内系统纬度误差和温度变化量作为训练数据,构造了以多项式、径向基、小波函数为核函数的支持向量机、最小二乘支持向量机、遗忘因子最小二乘支持向量机,对比了它们用于轴向陀螺漂移预测的泛化性能。试验结果表明:遗忘因子最小二乘支持向量机可有效地用于轴向陀螺漂移预测,具有很高的预测精度,极大地提高了单轴旋转激光陀螺惯导系统的导航精度。