期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
多变量PSO-SVM模型预测滑坡地下水位 被引量：23
1
作者 黄发明 殷坤龙 +2 位作者 张桂荣 唐志政 张俊 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2015年第6期1193-1200,共8页
为了预测滑坡地下水位并揭示其与气温、降雨以及库水位等变量间的动态响应关系,提出基于多变量混沌理论的粒子群-支持向量机(PSO-SVM)模型.该模型采用定性分析和灰关联定量分析法确定各因素对地下水位的作用关系并重构多变量相空间.利用... 为了预测滑坡地下水位并揭示其与气温、降雨以及库水位等变量间的动态响应关系,提出基于多变量混沌理论的粒子群-支持向量机(PSO-SVM)模型.该模型采用定性分析和灰关联定量分析法确定各因素对地下水位的作用关系并重构多变量相空间.利用SVM模型对每月监测地下水位值进行预测,并采用PSO算法克服SVM模型参数选取困难的缺点,最后对预测结果进行对比分析.以三峡库区白家包滑坡为例进行分析,并将分析结果与单变量PSO-SVM模型相比较,结果表明:多变量PSO-SVM模型的预测结果比较理想,精度高于单变量PSO-SVM模型,可以真实地反映地下水位系统发展演化的本质特征. 展开更多
关键词 库岸滑坡 地下水位预测 多变量相空间重构 灰色关联分析 粒子群一支持向量机(pso-svm)
下载PDF
基于PSO-SVM的煤与瓦斯突出强度预测模型 被引量：11
2
作者 邵剑生 薛惠锋 《西华大学学报（自然科学版）》 CAS 2012年第1期63-66,共4页
为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(... 为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO-SVM为87.5%、BP-NN为50%、SVM为62.5%。可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。 展开更多
关键词 煤与瓦斯突出 预测 粒子群优化支持向量机(pso—svm) BP神经网络
下载PDF
基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断 被引量：3
3
作者 计江 赵琛 王勇勤 《振动．测试与诊断》 EI CSCD 北大核心 2023年第2期290-297,409,共9页
针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多... 针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。 展开更多
关键词 轧机轴承 变分模态分解 包络谱 多元多尺度排列熵 粒子群优化支持向量机 故障诊断
下载PDF
改进PSO-SVM的光纤传感网络数据识别系统 被引量：4
4
作者 马莉莉 高静 +1 位作者 申志军 刘江平 《激光与红外》 CAS CSCD 北大核心 2022年第5期734-739,共6页
为了增强光纤传感网络对相近扰动信号的识别能力,提高目标分类精度,提出了一种改进的粒子群优化-支持向量机(PSO-SVM)算法。该算法在分析回波信号谱形特征的基础上,设计了三个用于描述信号特征的判断指标。将主波信号能量、主波脉宽及... 为了增强光纤传感网络对相近扰动信号的识别能力,提高目标分类精度,提出了一种改进的粒子群优化-支持向量机(PSO-SVM)算法。该算法在分析回波信号谱形特征的基础上,设计了三个用于描述信号特征的判断指标。将主波信号能量、主波脉宽及波形变化率作为数据预处理的特征参量,改进了传统的数据分类模型。实验模拟了实际应用中的三种典型干扰形式,以机械、人工以及坠落物对测试区域地面进行冲击测试,并对比了不同距离和不同强度情况下的响应效果。结果显示,6种不同情况对应的谱形特征有3种,相同作用机制的谱形相似度很高。特征参量的响应值随着测试距离的增大而减小,随着冲击强度的增大而增强。对相同测试数据进行扰动信号分析,传统SVM算法平均识别概率为69.3%,而该算法平均识别概率为90.1%。可见,该算法在提高光纤传感网络扰动信号分类能力方面具有一定的优势。 展开更多
关键词 光纤传感网络 粒子群优化-支持向量机 特征参数 分类识别概率
下载PDF
基于早期数据的航天测控软件缺陷预测
5
作者 夏烨 张慧颖 司倩然 《飞行器测控学报》 CSCD 2015年第1期102-108,共7页
为提高航天测控软件的质量与可靠性,提出一种基于改进的PSO-SVM(Particle Swarm Optimization-Support Vector Machine,粒子群优化支持向量机)方法的航天测控软件缺陷预测模型。针对航天测控软件领域特征,构造了基于软件生命周期的软件... 为提高航天测控软件的质量与可靠性,提出一种基于改进的PSO-SVM(Particle Swarm Optimization-Support Vector Machine,粒子群优化支持向量机)方法的航天测控软件缺陷预测模型。针对航天测控软件领域特征,构造了基于软件生命周期的软件度量集,并收集了实际航天测控软件的度量和缺陷数据,通过对软件历史版本数据的学习,在软件当前版本的生命周期早期数据的基础上进行缺陷预测。实例应用结果表明,采用历史版本软件数据对当前软件版本进行缺陷预测,从全局来看可达90%的预测准确度。因此,该方法可用于对航天测控软件的缺陷预测。 展开更多
关键词 软件缺陷 缺陷预测 粒子群优化支持向量机(pso-svm) 航天测控 软件度量
下载PDF
基于TSFFCNN-PSO-SVM的飞机起落架液压系统故障诊断
6
作者 冯东洋 姜春英 +2 位作者 鲁墨武 叶长龙 李胜宇 《航空动力学报》 EI CAS CSCD 北大核心 2024年第1期187-199,共13页
针对飞机起落架液压系统故障诊断精度低,深层故障特征提取困难的问题,提出了一种基于双路特征融合卷积神经网络(TSFFCNN)与粒子群优化支持向量机(PSO-SVM)结合的起落架液压系统故障诊断模型。该诊断模型以起落架多节点压力信号作为输入... 针对飞机起落架液压系统故障诊断精度低,深层故障特征提取困难的问题,提出了一种基于双路特征融合卷积神经网络(TSFFCNN)与粒子群优化支持向量机(PSO-SVM)结合的起落架液压系统故障诊断模型。该诊断模型以起落架多节点压力信号作为输入,采用一维卷积神经网络(1DCNN)与二维卷积神经网络(2DCNN)并行多通道网络结构自适应提取深层特征信息,并在融合层将深层特征信息融合,通过优化后的SVM分类器对融合特征进行故障分类。为验证所提诊断模型的故障分类效果,基于AMESim搭建了典型飞机起落架液压系统仿真模型,构建了几种典型故障类型数据集。基于仿真数据的诊断结果表明,所提故障诊断算法精度能达到99.37%,能够有效实现起落架液压系统故障诊断;与其他智能算法对比,基于TSFFCNNPSO-SVM故障诊断模型具有更好的平稳性与可靠性,诊断精度更高。 展开更多
关键词 飞机起落架液压系统 特征融合 故障诊断 双路特征融合卷积神经网络(TSFFCNN) 粒子群优化支持向量机(pso-svm)
原文传递
基于粒子群优化支持向量机的矿井涌水量预测 被引量：2
7
作者 臧大进 刘增良 曹云峰 《凯里学院学报》 2010年第6期26-29,共4页
矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM)的矿井涌水量预测方法,即将粒子群优化算法(PSO)用于SVM参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-... 矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM)的矿井涌水量预测方法,即将粒子群优化算法(PSO)用于SVM参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5%的工程许可误差. 展开更多
关键词 粒子群优化支持向量机 粒子群优化算法 支持向量机 矿井涌水量 预测
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部