2014201222.李亚文.作业二资料.docx

应用一 问题：在支持向量机回归算法基础上构造多输出支持向量机，以实现健康度的多步预测，并提出一种和声蚁群算法优化支持向量机参数，解决了蚁群算法易陷入局部最优的问题；然后，根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法一支持向量机(HSACA—SVM)故障预测模型；最后，通过某装备电源系统监测数据验证了该模型的有效性。实例验证表明该模型能够较好地实现对健康度下降趋势的预测，预测准确率达到97％，进而实现故障预测。 模型： 2.1 HSACA算法的具体思想： 1)随机将膨只蚂蚁放在n个点上，每个蚂蚁按照路线选择算子选择路线，将每只蚂蚁走过的路线当作一个和声粒子，那么肘只蚂蚁的路线构成一个包含肘个和声粒子的和声记忆库； 2)根据和声算子生成新的和声粒子，并通过和声扰动算子对新的和声粒子进行扰动，更新和声记忆库，视为经优化后的蚂蚁路线，那么蚂蚁的路线可能就会发生改变，进而使其不陷入局部最优； 3)将新的路线按信息素计算模型计算每只蚂蚁的信息素，按照蚁群信息素更新模型更新蚁群信息素，进行迭代，直到满足停止条件。 2.2 基于HSACA的多输出SVM参数优化 基于HSACA算法的SVM参数优化利用和声算法提高了蚁群算法的全局有哪些信誉好的足球投注网站能力，具体步骤如下： 步骤1 选择目标函数。采用平均绝对误差M。衡量样本实测值与模型预测值问的偏差，由此得到模型目标函数： 其中：n为样本个数；为样本实测值；P(i)为模型预测值；石i对应影响SVM的参数。 步骤2参数初始化。包括迭代次数Ⅳ、蚂蚁个数m、信息启发式因子、信息素`微调扰动频率(Pitch AdjustingRate，PAR)和声记忆库保留概率(Harmony MemoryConsidering Rate，HMCR)等。 步骤3构建初始记忆和声库。露。，R：，?，足。表示m个蚂蚁的路径，R。=(r。k，?，r。。)表示i个和声粒子的第k个乐器的声调，m个和声粒子构成和声记忆库，目标函数值为F。 步骤4更新和声记忆库。根据生成新的解向量的算法生成新的个体R(i=1，2，?，m)，然后计算更新个体的目标函数值F一，与初始目标函数值F比较，保留记忆库中最优个体生成新的种群。 系统健康度能够整体反映系统的运行状况¨?，随着装备使用寿命增加，健康度的值呈下降趋势，研究通过分析监测数据对系统健康度下降趋势进行离线分析，因此本文不考虑算法优化模型的时间问题。通过多输出和声蚁群算法一支持向量机(Harmony Search—Ant Colony Algorithm—Support VectorMachine，HSACA—SVM)拟合监测数据和健康度下降过程的非线性映射关系，实现对系统健康度的多步预测，根据预测结果可以从整体上掌握装备健康状态的下降趋势，据此制定合理的维修保障决策。 首先通过标准化后的监测数据计算得到健康度值，将处理后的监测数据和计算得出的健康度值分别作为输入输出，采用HSACA对多输出支持向量机进行参数寻优，得到最优参数组合，用测试样本验证模型训练精度，最后实现对健康度的多步预测。对不同的系统设置不同的健康度阈值，对处于核心地位的系统设置较高的阈值，以使关键系统发生故障时能及时进行维修。 应用： 本文以系统未来健康度下降趋势为预测目标，研究多输出支持向量机回归算法，建立拟合状态监测数据和系统健康度的非线性映射关系，提出采用HSACA算法对多输出SVM进行参数寻优，不仅获得良好的预测精度，而且解决了蚁群算法容易陷入局部最优的问题；实例验证表明，基于健康度和多 输出HSACA—SVM的故障预测模型能够准确对健康度下降趋势进行多步预测，为系统的健康管理提供有力的依据。此外，本算法是一种离线分析方法，不能处理实时性要求很高而且需要在线分析的研究对象，这也是下一步的研究方向。 邱文昊1，黄考利2，金赛赛3，连光耀4，《基于健康度分析与和声蚁群算法一支持向量机的故障预测模型》，《计算机应用》，2015 35（11）,3265-3269 应用二 问题：应用支持向量机方法对汽车加速时车内声品质进行预测。以噪声样本的响度、尖锐度、粗糙度、AI 指数等客观评价参量作为输入因子,主观烦躁度评价结果作为输出因子,利用支持向量机回归方法建立了汽车加速车内声品质的预测模型。对比结果表明,与多元线性回归模型相比,基于支持向量机的汽车加速车内声品质预测模型能够更准确地反映客观评价参量与主观烦躁度之间的非线性映射关系,预测精度更高。 模型：本文中基于支持向量机方法的汽车加速车内声品质预测仿真实验是在Matlab Libsvm 环境下实现的。在进行预测仿真实验时,首先要采集样本数据,随机抽取表1 中的14 组数据作为训练样本,用于建立基于支持向量机的声品质预测模型;其余的4 组数据作为检验样本,用于检测预