黄啸[1]2008年在《支持向量机核函数的研究》文中研究说明支持向量机是二十世纪九十年代发展起来的统计学习理论的核心内容,而核函数是它的重要组成部分。在众多核函数中,高斯核函数由于其特殊的性质以及广泛的应用,得到了广大研究者的重视。本文主要讨论了支持向量机核函数的以下几方面内容:首先,介绍了VC维理论和结构风险最小化原则,并通过支持向量机引入高斯核函数。然后对支持向量机参数选择的重要性作了说明,讨论了其可分性和局部性并对高斯核半径和惩罚参数C进行选择。其次,通过将核函数分为局部性核函数和全局性核函数,在保持原有核函数基本特性的基础上,并通过对其进行组合,引入了混合核函数。最后,通过提出一种修正的高斯核函数,并将其应用于语音激活检测实验。大量实验数据证明,该核函数较高斯核函数有更好的学习能力和分类性能。本文数据仿真与分析软件基于Matlab6.5和VC++6.0开发。
程长明[2]2015年在《基于Volterra级数的非线性系统辨识及其应用研究》文中指出众所周知,工程中的实际系统几乎总含有各种各样的非线性因素,例如机械系统中的间隙、干摩擦、轴承油膜,结构系统的大变形、非线性材料本构关系,控制系统的非线性控制策略等等。线性系统模型是为了分析的方便对精度要求较低或系统非线性对系统性能影响不大的系统一种简化模型。通常,线性系统模型可对实际系统动力学行为进行很好的逼近;然而,近年来,随着科学技术的发展和进步,对系统性能要求的不断提高,使得这种线性逼近并非总是可靠的,被忽略的非线性因素有时会在分析和计算中引起无法接受的误差;而且,工程当中越来越多的非线性现象也引起了人们的重视,非线性问题已经成为当前研究的热点问题之一。因此,有必要对非线性系统进行非线性研究,揭示非线性系统的本质,这对进行非线性系统的分析与设计具有重要的意义。为此,人们发展出了多种数学理论和方法以对非线性系统进行建模、求解和分析,Volterra级数就是其中之一。Volterra级数是一种描述非线性系统输入与输出之间关系的数学泛函,它是研究非线性系统的一种重要数学工具,它可看作是线性系统中的卷积运算在非线性系统分析中的扩展。Volterra级数理论广泛应用于气动弹性力学、生物医学工程、流体动力学、电子工程和机械工程等领域。论文的研究内容主要包含基于Volterra级数非线性系统辨识及其应用两个方面,具体可分为以下五个部分。第一:论文提出了一种新的多次激励下基于小波基展开的非线性系统Volterra核函数辨识方法。该Volterra核函数辨识方法的基本流程是:首先,根据多次激励下系统的测试数据,并基于小波平衡法估计非线性系统的各阶Volterra输出;然后将各阶Volterra核函数分别用不同维的四阶区间B样条小波基展开,再根据系统输入以及各阶volterra级数输出辨识各阶volterra核函数。该辨识方法将核函数的辨识问题转化为少数展开系数的估计问题,可有效减少volterra核函数待辨识参数的数量,提高辨识效率。第二:论文利用时空volterra级数对非线性分布参数系统进行建模,建模的关键问题是辨识时空volterra级数的时空核函数。为了降低对非线性分布参数系统建模的难度,本文首先利用kl(karhunen–loève)分解对各测点输出数据进行时空分离,可得一个低维非线性系统;再利用本文前面提出的多次激励下基于小波基展开的非线性系统volterra核函数辨识方法分别对该低维非线性系统进行建模;最后利用时空重构得到非线性分布参数系统的时空volterra级数。第三,论文基于volterra级数,对模块化非线性系统进行了辨识。本文推导出了hammerstein、wiener模型以及广义hammerstein模型与它们相关的volterra级数间的关系,证明了这三种模块化非线性系统均可用volterra级数表示。辨识hammerstein和wiener模型的主要流程是:首先根据多次激励下系统的输出,利用小波平衡法,估计系统的各阶volterra输出;其次,基于线性系统辨识理论,根据系统输入以及第一阶volterra级数输出,辨识这两种模块化非线性系统中线性子系统的脉冲响应函数;最后,根据各高阶volterra输出,分别辨识静态非线性多项式函数的系数。辨识广义hammerstein模型的主要流程是:首先根据多次激励下系统的输出,利用小波平衡法,估计系统的各阶volterra输出;其次,基于线性系统辨识理论,根据系统输入以及各阶volterra级数输出,辨识广义hammerstein模型中各阶线性子系统的脉冲响应函数。第四,论文基于volterra级数发展出的频域概念—非线性输出频率响应函数(nofrf),提出了一种对二维结构中非线性部件进行定位的新方法。该非线性定位方法首先基于二维局部非线性结构nofrf在行方向和列方向上的特性,分别在行方向和列方向上对结构中的非线性部件进行定位;然后结合行方向和列方向上非线性部件定位的信息,判断二维结构中非线性部件的位置。最后,论文基于volterra核函数辨识提出了一种新的结构损伤检测方法,该损伤检测方法可有效检测梁中裂纹并大致判断梁损伤的严重程度。该损伤检测方法主要包含三个步骤:首先,根据系统的输入/输出数据,辨识系统的各阶volterra核函数;然后,根据辨识的Volterra核函数,计算Volterra核函数相关指标的值;最后,通过比较待检测结构与无损结构Volterra核函数相关指标的值,判断结构是否具有损伤。另外,还基于二维局部非线性结构NOFRF之间的关系提出了一种新的二维结构损伤定位方法。
吕中亮[3]2016年在《基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究》文中研究说明旋转机械作为现代化工业生产中必不可少的工程设备,被广泛应用于化工、石油、冶金、电力等关系国计民生的重要领域。一旦旋转机械设备发生故障轻则致使整个系统瘫痪造成巨大经济损失,重则产生人员伤亡。研究表明旋转机械早期故障阶段具有较长的潜伏期,如果能在旋转机械设备故障萌芽即将出现、刚刚出现或故障程度比较轻微时,准确地预测故障可能发生的时间、部位以及故障类别,并据此指导旋转机械设备的保养和维修工作,将有利于对旋转机械设备故障发展进行有效控制,并保障其安全可靠地运行。旋转机械早期振动信号易受强背景噪声干扰,同时受到传输路径与信号衰减、传播介质与采集设备损耗等因素影响,进一步弱化了振动信号中包含的故障振动信号信息;旋转机械大多结构复杂,故障源信号至测点位置为非线性传播,同时运行工况不稳定、多部件耦合振动、振动干扰大等特点,使得采集到的故障振动信号具有强烈的非平稳、非线性等特点,导致故障振动信号与设备状态映射关系模糊,故障特征难以提取;旋转机械早期故障样本缺乏长期性、系统性的收集,故障样本稀缺且故障特征值和故障的类别无明确的映射关系,故障辨识难度大。论文针对旋转机械微弱故障信号增强、非线性及非平稳故障信号特征提取、小子样故障诊断等问题,深入研究基于变分模态分解及优化多核支持向量机的旋转机械早期故障诊断方法,具体研究内容如下:(1)针对旋转机械早期背景噪声干扰大故障信息微弱的问题,提出自适应最大相关峭度反卷积的微弱故障增强方法。以相关峭度作为评价指标,充分考虑早期故障振动信号中所含冲击成分的特性,通过迭代过程以实现解卷积运算;利用小波Shannon熵作为目标函数,采用变步长网格搜索法自动搜寻最优滤波器阶数以及周期;使最大相关峭度反卷积方法在达到很好的效果的同时更具有自适应性,从而有效地检测出被噪声淹没的微弱故障;(2)针对旋转机械故障信号非平稳、非线性特征提取难的问题,提出自适应变分模态分解的多频带多尺度样本熵特征集构建方法。利用不同频带上模态的多尺度样本熵组成敏感特征向量集,表征旋转机械早期故障状态特征,进而提高对旋转机械早期故障状态的辨识能力;(3)针对变分模态分解中一些关键参数选择不确定的问题,提出自适应变分模态分解方法;提出以VMD分解后各模态与原信号之间的相关性来保证分解的精度并指导最优K值的确定;VMD分解中平衡约束参数越小,所得模态分量带宽越大,易出现中心频率重叠以及模态混叠的现象;通过仿真实验分析,提出在实际应用中一般可取平衡约束参数为采样频率;研究分析了自适应变分模态分解的性能:正交性能分析、能量保存度分析、等效滤波属性分析;通过仿真实验分析得出:自适应变分模态分解在正交性能、能量保存性能方面,均优于EMD、EEMD、LMD方法;利用分数高斯噪声通过数值模拟实验对EMD、LMD、AVMD等效滤波属性分析,相比于EMD和LMD,AVMD可以更接近于小波包分解,且是一种比EMD和LMD能提供更高的时频分辨率的自适应分解方法;对比研究了AVMD与EMD性能,发现当有异常信息干扰时,AVMD仍具有很好的效果;(4)针对旋转机械早期故障样本缺乏,提出基于免疫遗传算法优化多核支持向量机的旋转机械小子样故障诊断方法。通过引入权重因子将不同核函数组合学习,基于全局核函数以及局部核函数构造多核函数,实现输入特征向量到核函数空间的快速映射,算法泛化能力更好、模型解释能力更强;利用免疫遗传算法获取多核支持向量机最优参数,克服多核支持向量机参数选择的不确定性,进而提高多核支持向量机在旋转机械小子样振动故障诊断中的稳定性以及泛化推广能力。文章最后对本文的工作进行总结,并展望下一步的研究方向。
杨国鹏[4]2007年在《基于核方法的高光谱影像分类与特征提取》文中研究指明高光谱影像具有丰富的地物光谱信息,较之全色、多光谱影像,其在地物分类识别方面具有巨大的优势。然而,传统的影像分析方法并不能满足高光谱遥感的应用需求。自核方法在支持向量机分类中得到成功的应用以来,人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况。论文在总结高光谱影像分类与特征提取研究现状的基础上,借鉴核方法在诸多领域的应用成果,对基于核方法的高光谱影像分类与特征提取方法进行了较为深入的研究。完成的主要工作和取得的成果如下;1.阐明了高光谱遥感的技术发展现状及其应用中亟需解决的若干关键技术;分析了各种高光谱影像分类方法及其特点;归纳了高光谱影像波段选择及特征提取的研究成果。2.对于基于支持向量机(SVM)的高光谱影像分类,综合使用序列最小优化训练算法、交叉验证网格搜索参数选择技术及几种多类分类器构造方法,构建了快速稳健的多类SVM分类器。通过PHI和Hyperion影像分类实验,表明了所采用的SVM分类器的精度高,而且稳定。3.对于基于核Fisher判别分析(KFDA)的高光谱影像分类,借鉴SVM分类中参数选择技术及多类分类器构造方法,构建了高性能的KFDA分类器。通过OMIS和AVIRIS影像分类,表明了KFDA的分类精度与SVM相当,且训练时间更短。4.将广义判别分析(GDA)引入高光谱影像的特征提取。分析了GDA特征提取的数学模型及求解方法,通过影像特征提取实验,表明了该方法有助于高光谱影像分类精度的提高。
张拥华[5]2008年在《基于支持向量机的金融时间序列研究》文中认为金融市场是国家经济运行的核心,金融时间序列是经济与金融领域中最重要的数据类型,对这类数据进行分析、预测和控制是整个经济和金融活动的重要工作。金融时间序列由于它的非线性和小样本特征,成为现代时间序列研究中最具有挑战的课题。统计学习理论(Statistical Learning Theory,SLT)是针对小样本情况下的机器学习理论,其核心思想是通过控制学习机器的复杂度实现对学习机器推广能力的控制。在这一理论中发展起来的支持向量机(Support Vector Machine,SVM)是一种新的通用学习方法,它较以往方法表现出一些理论和实践上的优势,已经在模式识别、回归估计、时间序列预测等多方面得到成功应用。支持向量回归(Support Vector Regression,SVR)是支持向量机用于解决回归问题时的推广形式。决策树由于算法简单和分类精度高,成为一种广泛应用的归纳推理方法,它能完成复杂性降维和自动特征抽取。论文中,我们建立了一个基于金融时间序列决策树特征抽取的SVR回归模型。实验表明基于决策树和支持向量机的整合方法可以有效地提高性能。SVM通过核函数对特征空间的映射函数实现非线性情况下的推广。选择或者构造与特定问题相适合的核函数是提高SVR性能的一种重要途径。在Mercer核函数构造理论的指导下,本文构造了基于多项式核和高斯径向基(Gaussian Radial Basis Funciton,RBF)核的新的混合核支持向量机模型。在金融时间序列预测中,结果表明基于混合核的支持向量机比单个核的支持向量机具有更好的性能。
周昊飞[6]2016年在《基于模式识别的自动化生产过程质量智能诊断研究》文中指出过程实时智能监控与诊断是政府实施食品药品质量安全大数据监管、智能制造“十三五”发展规划的重要环节。传统的统计过程控制方法难以满足过程实时质量智能监控的需求,基于模式识别的过程智能监控及诊断已成为质量管理领域的新方向。目前该方面的研究多集中于控制图模式识别、异常模式参数估计等方面。现有识别模型大都采用人工神经网络或支持向量机单一类型分类器进行建模,存在计算复杂、识别效率低等问题,而现有异常模式参数估计模型难以对细微变动参数进行精准估计。因此,如何构建更为高效的识别模型与异常模式参数估计模型是本文亟待解决的问题。在国家自然科学基金项目“基于模式识别的动态过程质量监控及诊断”的研究基础上,本文系统地研究了过程实时智能监控与诊断方法。首先,依据质量特性测量数据流的变化特性,将自动化生产过程运行状态划分为正常模式与趋势、阶跃、周期异常质量模式。其次,提出了过程质量模式混合特征,并构建了神经网络与支持向量机相结合的质量模式识别模型。而后,构建了小波重构特征与多核支持向量回归相结合的异常模式参数估计模型。最后,提出了自动化生产过程在线质量智能诊断框架,并通过某国有企业精密轴加工过程的实例应用验证了该诊断框架的有效性。本文的研究主要分为四个部分,具体内容如下:(1)自动化生产过程质量模式识别模型研究研究了自动化生产过程质量模式的混合特征,并构建了同时应用神经网络与支持向量机的质量模式识别模型。首先,将小波分解低频近似系数与形状特征进行顺序组合形成过程质量模式混合特征。其次,利用基于均值特征的神经网络将过程质量模式划分为正常与周期、向上、向下三大类别。进而,通过基于混合特征的支持向量机将三大类别细分为正常、周期、上升趋势等六种质量模式。仿真实验表明,所提识别模型不仅结构简单且识别精度高,能有效应用于在线过程智能监控。(2)自动化生产过程异常模式参数估计模型研究研究了小波重构数据特征、多核函数的支持向量回归学习器,构建了基于小波重构与多核支持向量机回归的自动化生产过程异常模式参数估计模型。首先,提取过程异常模式的小波重构数据特征,以突显参数细微变动时异常模式的差异。进而,利用由线性核函数与高斯核函数组合形成的多核支持向量机回归对异常模式参数进行估计。仿真实验表明,所提参数估计模型在参数细微变动时仍有较好的估计能力。(3)自动化生产过程在线质量智能诊断框架研究研究了集成识别模型、异常模式参数估计模型与专家诊断知识库的自动化生产过程在线质量智能诊断框架。首先,采用“监控窗口”对过程质量特性测量值进行在线取值,应用识别模型识别当前“监控窗口”内数据流所属的质量模式类别。进而,当“监控窗口”内数据流为异常模式时,采用参数估计模型对其异常模式参数进行估计。而后,将过程异常类别及参数估计值与专家诊断知识库中的规则进行匹配,查找过程异常原因。(4)精密轴加工过程在线智能监控与诊断实例研究以精密轴加工过程为例,验证了所提质量智能诊断框架对自动化生产过程在线智能监控与诊断的有效性。首先,利用蒙特卡罗方法产生精密轴质量特性轴径的质量模式数据,对诊断框架中识别模型、参数估计模型进行离线训练与测试。而后,利用专家经验知识与故障树分析方法构建精密轴专家诊断知识库。最后,应用离线训练好的质量智能诊断框架对轴径实际加工过程进行在线智能监控与诊断。实例应用表明,所提质量智能诊断框架能有效应用于自动化生产过程的在线质量智能监控与诊断。本文的研究特色与创新之处可概括为:(1)针对现有特征提取多采用单一类型特性、已有融合特征难以满足数据维度低且模式区分力强的需求,提出了小波分解低频近似系数与形状特征顺序组合的混合特征,所提混合特征不仅数据维度低且细节信息强,具有较强的模式区分能力,大大降低了识别模型的计算复杂度。(2)针对现有识别模型多采用神经网络或支持向量机单一类型分类器进行建模,存在模型结构复杂、识别效率低等问题,提出了基于神经网络和支持向量机的质量模式识别模型,提高了自动化生产过程质量模式的识别效率。(3)针对已有估计模型存在对细微变动参数难以精准估计的问题,提出了基于小波重构与优化多核支持向量回归的异常模式参数估计模型,并与识别模型、专家诊断知识库进行结合形成了在线质量智能诊断框架。本文研究成果不仅为自动化生产过程提供了一套可操作的质量智能监控与诊断方法,而且可拓展到金融市场、食品药品安全等政府监管领域。
徐立祥[7]2017年在《模式识别核方法的理论研究及其应用》文中研究说明核方法及其理论是以双射函数和变换理论为基础,它的核心是研究希尔伯特空间上的一些半正定函数以及它的相关应用。基于核的机器学习方法不仅适用于以特征向量表示的模式,也适用于结构化数据的模式,前者对应的是向量核方法,后者对应的是图核方法。因此,模式识别核方法主要可以分为两类:向量核方法和图核方法,早期的研究主要集中于对向量核的研究,它不论在理论上,还是在应用上都得到了较成功的发展,也吸引了很多领域的学者对基于核方法的机器学习的理论与应用技术进行了应用、推广和发展。图核发展较迟,近几年才慢慢被人们逐渐熟知并加以应用和推广,尤其在数字图像的结构图建模、特征描述和匹配等研究领域,被越来越多的学者关注,图核因其能够描述图的结构特征,所以在结构模式识别领域具有独天独厚的优势。模式识别核方法具有坚实的理论基础,这使得核方法及其理论不仅在数学理论领域得到了非常重要的研究和发展,而且在模式识别、机器学习、数据挖掘等研究领域也得到了极为广泛的关注与应用。因此,进一步研究核方法的理论与应用具有非常重要的意义。论文的主要工作和创新点有:第一,提出了一种再生核希尔伯特空间上的多核学习方法。首先,通过狄拉克函数介绍了一类广义微分方程的基本解,并分析了这个基本解是H2-空间上的再生核。其次,基于这个H2-空间上的再生核设计了一种基于H2-空间上再生核的多核学习方法。由多核代替单核能增强支持向量机决策函数的可解释性,并且可以获得更优的分类性能。最后,用大量的实验验证了我们方法的有效性。第二,提出了一种多属性的具有再生性的卷积核方法。首先,通过狄拉克函数介绍了一类广义微分方程的解,并基于这个解设计了一个多属性卷积核函数。其次,验证了这个多属性函数满足Mercer核的条件,且这个多属性核函数具备三个属性:L1-范数,L2-范数和拉普拉斯核。再次,与传统的希尔伯特空间核方法相比,该卷积核方法在考虑多个属性的情况下,融合了每个属性的特点,有助于提高基于多属性核函数支持向量机的分类精度。最后,在实验数据集上验证了该方法拥有较好的分类能力。第三,提出了一种基于Weisfeiler-Lehman(WL)图核的三种混合图核方法。首先,给出WL图核的基本理论和相关知识,并介绍基于WL图序列,进一步介绍基于该序列的子树核、边核和最短路径核。其次,基于WL图核定义了三种混合图核,第一种为加权混合图核,它是参数混合图核,第二种为精度比混合图核,第三种为乘积混合图核,后两种图核属于无参数图核。最后,实验结果表明基于WL图核的组合图核在所选实验数据集上与相应的单个图核比较,组合图核可以获得较好的分类精度,因此,研究混合图核的理论与应用具有非常重要的实际意义。第四,提出了一种基于逼近的冯诺依曼熵的再生性图核方法。首先,给出无向图的一个信息熵逼近表达式,这个表达式是依赖于图的顶点的度的统计,然后通过这个逼近的冯诺依曼熵来度量结构图信息。其次,通过一个广义微分方程的基本解来给出H1-空间上的H1-核函数。最后,基于逼近的冯诺依曼信息熵与H1-核函数定义了一个逼近的冯诺依曼熵再生性图核,实验结果表明,与其他图核方法相比,我们方法的分类精度在所选的大多数数据集上能够超过所选的其他图核方法,并且计算时间较短。
张彦周[8]2006年在《基于支持向量机的测井曲线预测储层参数方法》文中进行了进一步梳理支持向量机由于其诸多的优良特性,近年来引起了广泛的关注,已经成为一个十分活跃的研究领域。本文较全面地研究了支持向量机的理论及应用方法,讨论了支持向量机中高斯核函数参数的选择问题,首次将支持向量机用于测井参数属性估计储层属性中。本文中,首先对支持向量机的理论基础——统计学习理论作了一个概述,主要论述了学习过程的一致性,如何控制学习过程的推广能力等问题,其次,对简单的线性可分数据,详细介绍了线性支持向量机的工作原理,即寻找具有最大的分离超平面;核函数的实质是通过一非线性映射把原空间上非线性可分的数据映射到另一个特征空间上的线性可分数据,然后利用与线性支持向量机完全一样的方法,在该空间建立一个超平面,使其在原空间对应着一个非线性超曲面,通过引入一个核函数使所有的计算在原空间完成。同时针对本文主要讨论的回归问题给以详细地说明,支持向量机的解最终归结为一个凸二次规划,有全局最优解。简单介绍了支持向量机较常用的训练算法——序贯最小优化算法,自己编程用MATLAB实现了该算法,数值试验结果表明支持向量机具有较强的学习能力。另外本文具体讨论了支持向量机中高斯核函数中参数σ对支持向量机学习预测性能的影响,证明了参数σ趋于零和无穷大情况下支持向量机的性质,指出高斯核函数具有描述样本相似程度这一性质,通过数值实验和理论分析给出了一种选择高斯核函数的方法——拐点法。进一步指出样本数据标准化对学习预测的影响,给出了标准化后选择较优高斯核函数参数的一个大致范围。最后根据石油地质勘探的实际问题,将支持向量机运用测井曲线预测储层参数——孔隙度、参透率,同时与反向传播神经网络函数逼近法预测进行比较,结果表明,该方法预测精度高,方法稳定有效。支持向量机较好的解决了小样本测井勘探的实际问题。
周栋[9]2016年在《多种颗粒源的声波团聚实验研究与模拟》文中研究指明近些年来,随着经济快速增长,化石燃料消耗量加大,燃烧产生的颗粒物已经成为大气污染的主要来源之一。尤其是粒径小于2.5μm的细颗粒物,对环境和人体都会产生巨大的危害,已经引起全社会的持续关注。在这样的背景下,我国对于颗粒物排放的标准日益严格,而传统除尘设备对于细颗粒的脱除效率并不理想,因此需要研究气溶胶预处理技术,使得颗粒物团聚长大为粒径更大的颗粒物,从而提高后续除尘设备的脱除效率。声波团聚就是一种有研究价值的颗粒物预处理技术。声波团聚是利用高强声波对气溶胶进行作用,使得颗粒物在声波携带作用下振动,从而发生相对运动,增强颗粒间的碰撞团聚长大。关于声波团聚的研究较为丰富,但对机理的研究还不完善,实验研究更多地也只限定于实验室,而没有得到实际应用,关于声波频率等关键参数也存在争议。针对种种问题,本文展开了与声波团聚相关的机理和实验研究。首先,应用声波的携带机理对声场中的颗粒物的运动规律进行了计算,得到声压级、声波频率、颗粒粒径以及声场形式等因素对颗粒振动的影响；然后搭建了可视化高速摄影实验平台,对DEHs(癸二酸二异辛酯)颗粒在声场中振动过程进行拍摄,通过高帧频得到颗粒物在振动周期内的位置变化,标定计算得到的颗粒速度变化规律与计算值有很好的吻合。然后,针对颗粒物的声波团聚特性,进行了以下实验研究：采用不同粒径分布的DEHs单分散气溶胶和半山电厂飞灰多分散气溶胶作为颗粒源,分别研究了声波团聚的特性。在单分散气溶胶声波团聚中,采用了0.2μm、0.5μm和2μm三种粒径的DEHs颗粒,实验发现,亚微米级的颗粒物声波团聚的效果并不是很好,而对2μm的颗粒物,声波的效果较为明显,最佳频率在1400Hz～1600Hz,而声压级越大,声波团聚的效果越好。在多分散气溶胶声波团聚实验中,对比研究了行波场和驻波场,发现同等声压级条件下,驻波场的声波团聚效果要优于行波场。通过激光粒度仪在线检测方法,检测了半山电厂飞灰颗粒物全粒径段分布在声波作用下的变化情况,发现随着声压级的增大,粒径分布有着向大粒径段长大的趋势,验证了颗粒物在声场中浓度减少是因为团聚长大成了粒径更大的团聚体。然后将声场和自制的静电除尘器、布袋除尘器分别连接,通过ELPI在线检测系统测量除尘器出口在有无声场作用时的气溶胶的浓度和粒径分布,来研究声波团聚对传统除尘器的增益作用,实验发现,在1400Hz,148dB的工况条件下,静电除尘器对PM1o的质量浓度脱除效率从89.05%提高到了99.28%,布袋除尘器则从91.29%提高到了99.19%。研究了声波团聚联合喷雾共同作用对颗粒物的影响。采用嘉兴电厂飞灰作为颗粒源,选取了水、SDBS,TX100两种表面活性剂以及XTG、PG和CMC三种团聚剂作为不同的喷雾源,研究了声场参数、喷雾量、表面活性剂浓度以及团聚剂种类对声场和喷雾联合作用效果的影响。实验发现,对于较细的颗粒源,最佳声波频率为1000Hz；喷雾量越大,颗粒物数目浓度减少越多；表面活性剂的浓度存在最佳值；而三种团聚剂中,CMC与声波共同作用的效果最好。其次,考虑多种声波团聚机理,包括同向团聚、声波尾流效应、共辐射压和布朗运动，通过计算团聚核函数来比较研究不同机理在声波团聚中的作用大小,以及颗粒粒径、声压级、声波频率对团聚核函数的影响,验证了同向团聚作用是最主要的团聚机理。在此基础上,用分组法模型对气溶胶团聚的动力学方程进行求解,计算不同声场条件下颗粒物浓度和粒径分布的变化情况,分析了不同因素的影响规律,并与实验结果有较好的吻合。最后,提出了基于声波团聚的多场协同团聚实验系统的设计方案,以期通过不同方法的协同使用,提高颗粒物的团聚效率。
张楠[10]2008年在《关于支持向量机中的参数优化的研究》文中研究表明支持向量机是在统计学习理论基础上发展出的一种性能优良的学习机器,其根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。支持向量机始终存在的一个问题是它的执行效果依赖于参数的设置,其中包括惩罚因子和核参数,但却没有一个合适的理论来指导如何寻找适应于具体的样本数据的参数。本文分析了支持向量机模型中各个参数对模型的影响,对已有的参数优化方法进行了总结和介绍,并基于粒子群算法和交叉验证方法对模型中的参数进行了优化,形成了基于粒子群算法的支持向量机参数优化方法;基于育种算法和交叉验证方法构造了基于育种算法的支持向量机参数优化方法。最后通过数值试验证明了方法的有效性。此外,结合粒子群算法收敛速度快而育种算法不易陷入局部最优的特点,提出了一种基于粒子群算法和育种算法的混合算法,该算法用于求解无约束优化问题。数值试验结果表明算法对于多峰值函数有很好的优化效果。当群体最优信息停滞时,新算法能够使粒子群算法中的粒子跳出局部最优解,最终求得全局最优解。将混合算法用于支持向量机的参数优化中,提出了基于混合算法的支持向量机参数优化模型,通过数值试验表明了算法具有很好的优化效果。
参考文献：
[1]. 支持向量机核函数的研究[D]. 黄啸. 苏州大学. 2008
[2]. 基于Volterra级数的非线性系统辨识及其应用研究[D]. 程长明. 上海交通大学. 2015
[3]. 基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮. 重庆大学. 2016
[4]. 基于核方法的高光谱影像分类与特征提取[D]. 杨国鹏. 解放军信息工程大学. 2007
[5]. 基于支持向量机的金融时间序列研究[D]. 张拥华. 湖南大学. 2008
[6]. 基于模式识别的自动化生产过程质量智能诊断研究[D]. 周昊飞. 郑州大学. 2016
[7]. 模式识别核方法的理论研究及其应用[D]. 徐立祥. 安徽大学. 2017
[8]. 基于支持向量机的测井曲线预测储层参数方法[D]. 张彦周. 西安科技大学. 2006
[9]. 多种颗粒源的声波团聚实验研究与模拟[D]. 周栋. 浙江大学. 2016
[10]. 关于支持向量机中的参数优化的研究[D]. 张楠. 西北大学. 2008