6篇关于支持向量回归的计算机毕业论文

今天分享的是关于支持向量回归的6篇计算机毕业论文范文, 如果你的论文涉及到支持向量回归等主题,本文能够帮助到你

矿用风压传感器高精度温度补偿技术研究

这是一篇关于风压传感器,温度补偿,麻雀搜索算法,支持向量回归的论文, 主要内容为矿井通风阻力的精准测定是矿山通风与安全技术管理工作的重要内容之一,对矿井通风系统的故障诊断、优化和应急控制有重大意义。通风压降的精准测量对矿井通风阻力的测定至关重要,压阻式风压传感器作为煤矿安全生产和计量管理的重要设备,被广泛应用于矿井压差监测,其测量精度将直接影响矿井通风阻力的精准测定。然而,压阻式风压传感器在实际应用中常常受到环境温度的影响,需要采取适当措施进行温度漂移的补偿和修正。为了解决风压传感器易发生温漂的问题,本文对风压传感器温度特性展开研究,设计了一种温度补偿智能算法用于提升风压传感器的测量精度。首先,本文对风压传感器的工作原理及内部构造展开介绍,并对风压传感器温度漂移现象产生的原因进行了深入研究,重点分析了零点漂移和灵敏度漂移问题,总结了常用的温度漂移补偿方法并分析了各自的优缺点。其次,遵循本安和抗干扰的设计原则,提出了风压传感器的总体设计方案并对重要元件进行选型。在传感器设计制作完成后,搭建了实验系统平台对其进行温度特性实验,得到相关实验数据为后续温度补偿算法提供训练样本。再次,针对压阻式风压传感器的温度漂移现象,借助支持向量回归模型(SVR)对温度进行补偿。由于惩罚参数C和核函数参数gamma的选取对SVR的预测效果有较大影响,本文引入Cubic混沌映射、自适应参数控制和柯西-高斯变异策略对麻雀搜索算法进行多策略改进(Multi-strategy Sparrow Search Algorithm,MSSA),用于SVR的最优参数选择。通过实验数据对MSSA-SVR温度补偿算法进行仿真验证,仿真结果表明,经算法补偿后的风压传感器最大引用误差从8.4%下降至0.86%,灵敏度漂移系数降低了一个数量级,表明温度补偿算法对风压传感器的温度漂移起到很好的抑制作用。最后,将温度补偿算法移植进风压传感器中,并在温度实验平台上进行测试。经测试,风压传感器在0～40℃范围内的最大误差为1.6 Pa,测试结果表明风压传感器能够满足在矿井环境温度影响下精准测量风压的需求。本论文共有图42幅,表11个,参考文献94篇。

地区恐怖主义态势预测模型方法研究

这是一篇关于恐怖主义,态势预测,灰色关联,支持向量回归,鲸鱼优化的论文, 主要内容为恐怖主义持续蔓延,国家安全面临重大考验,反恐应急管理急需突破。当前,恐怖主义已成为威胁各国经济发展、社会稳定、人民生命财产安全的重要安全隐患,对全球化政治经济的交融互通造成严重冲击和深远影响。特别是以9/11事件为转折点,恐怖主义呈现跨国化、网络化、多属性等特征,成为世界性公害。针对恐怖主义的活动特征,运用适当的数据分析和数学模型,挖掘恐怖主义的发生发展规律,并在此基础上进行风险预警在一定程度上有助于预防群体性暴力恐怖事件的发生。当前反恐研究的建模视角大部分集中于预测恐怖事件的发生与否,对于关注区域整体形势的恐怖主义态势预测研究还有待探索。基于此,本文首先借鉴态势感知的基本思想提出了恐怖主义态势感知的概念框架,阐述了相关概念与流程架构,为恐怖主义态势研究的顶层设计和研究提供理论来源。在此研究基础上,本文开展了对恐怖主义态势预测方法的研究。首先引入科学知识图谱构建术语共现网络识别关键态势要素,对其转化为可以定量分析的量化指标,引入欧几里德算法修正灰色关联方法,对指标进行遴选,构建恐怖主义态势预测指标体系,为态势预测模型的建立打下基础。而后引入鲸鱼优化算法(whale optimization algorithm,WOA)对最小二乘支持向量回归(least squares support vector regression,LSSVR)进行改进,建立基于WOA-LSSVR的恐怖主义态势预测模型,利用鲸鱼算法优秀的全局寻优能力实现支持向量回归的参数优化,采用优化后的模型对各国恐怖主义态势进行预测。研究最后以“一带一路”沿线国家作为实证分析对象,以2008-2018年数据进行仿真实验,预测各国恐怖主义态势指数,并与其他模型算法进行比较,校验其性能。结果表明,此预测建模方法拟合程度更强,预测精度更高,能够优异解决恐怖主义态势预测问题。为辅助行动部门进行相关预防策略的科学化制定、帮助决策者快速做出正确的应对决策、提高决策效率和准确率上提供一定的指导借鉴。

基于机器学习的浮选尾煤灰分预测研究

这是一篇关于浮选尾煤,灰分,机器学习,支持向量回归,卷积神经网络的论文, 主要内容为尾煤灰分是评价煤泥浮选工艺性能优劣的重要指标,实时在线检测尾煤灰分对煤泥浮选系统的闭环控制至关重要。当前选煤厂浮选尾煤灰分主要依赖人工经验估量,由此造成浮选系统物料损失严重。近些年,机器视觉和机器学习技术为浮选尾煤灰分的在线检测提供了可能。本文通过提取浮选尾煤图像特征,基于机器学习算法建立尾煤灰分的预测模型,最后,开发浮选尾煤灰分在线检测软件,实现对浮选尾煤灰分的在线检测。主要研究工作如下:搭建了浮选尾煤机器视觉系统。本文设计了一种浮选尾煤机器视觉系统,系统布置在浮选机尾煤溢流口下方,主要包括工控机、工业相机、光源和溢流堰。研究发现尾煤流量大小影响着图像质量,对此优化了采集装置的流量调节阀,当调节阀开度为60%时,溢流液面平稳,图像质量最佳。在此基础上采集了2261张尾煤图像,数据集中所有样本尾煤灰分的范围都处在38.74%-75.08%之间。提取浮选尾煤图像的多维特征,研究了多维特征与浮选尾煤灰分之间的关系。本论文提取了尾煤图像的RGB颜色特征(3种)、灰度特征(5种)、灰度共生矩阵(5种)、HSI颜色空间(18种)和Lab颜色空间(18种)。研究结果表明,图像的RGB各分量均值、灰度中值、灰度均值、I分量均值和L分量均值与灰分显著相关。基于主成分分析法对尾煤图像的多维特征进行降维,降低特征间的信息冗余。本文利用主成分分析法对49维特征进行降维处理,构建了基于PCA-SVR的尾煤灰分预测模型。使用6种不同的特征组合对比验证所提特征的有效性,通过随机搜索和交叉验证算法寻找最优支持向量参数。预测结果表明,PCA可以有效地提高模型精度,当特征维数降至16时,模型拟合系数最优为0.9504,平均绝对误差为1.4088。基于卷积神经网络建立CNN-SVR尾煤灰分预测模型。选择卷积神经网络自动提取尾煤图像特征,对数据集进行数据增强操作防止模型过拟合,通过比较5种模型优化方法以筛选最优Res Net18模型,利用经典的SVR替代Res Net18中的Soft Max分类器。模型预测结果表明,Res Net18-SVR模型预测精度最高,预测灰分更加接近于真实灰分,对比之下该方法优于传统方法。开发煤泥浮选尾煤灰分在线检测软件。设计并开发了基于Py Qt5的尾煤灰分在线检测软件,软件能够监测尾煤状态和在线预测灰分,具备安全、高效的优点。本研究实现了浮选尾煤灰分的在线检测,为浮选控制系统提供了重要的反馈参数,能够为煤泥浮选系统的智能化建设提供理论支撑。本文包含图48幅,表8个,参考文献94篇。

基于数据驱动的离散制造系统能耗预测研究

这是一篇关于离散制造系统,能耗预测,数据驱动,支持向量回归,极限学习机的论文, 主要内容为离散制造涉及工业航空航天、机床、船舶制造等领域,其规模庞大,能源消耗不可忽视,节能减排尤其重要。解析离散制造系统的能耗特性,建立系统能耗预测模型,可以为加工工艺参数及调度方案的优化提供数据支持。然而离散制造系统能耗与机床设备信息、加工零件信息、生产工艺参数、任务调度方案等因素具有密切关联性,能耗机理复杂,对系统能耗进行建模及预测难度较大。本文基于离散制造车间中的海量能耗数据,运用基于数据驱动的算法来实现离散制造车间能耗的离线与在线预测,并开发了离散制造能耗预测系统。具体研究工作如下:(1)分析离散制造系统能耗特性,建立起系统运行时各部分的能耗机理表达式;通过对表达式中各变量进行分类,确定出主要的能耗影响因素,并以典型的机械加工过程为例,从内部结构展开分析,以确定能耗模型的输入和输出变量,最后阐述了能耗关联数据的采集与预处理方法。(2)针对离散制造系统中设备的能耗影响因素多且非线性关联的特点,提出一种基于数据驱动的能耗离线预测方法。提出在灰狼优化算法基础上融合混沌映射、遗传算法的交叉变异算子和精英保留策略,并将改进的优化算法用于优化支持向量回归的惩罚参数和核参数,从而构建出能耗离线预测模型。实验表明改进的支持向量回归应用于离散制造的离线预测是可行的,且具有更高的准确度。(3)针对离散制造系统的能耗离线预测方法难以适应工况复杂多变性的问题,提出一种基于实时数据的能耗动态建模与在线预测方法。采用极限学习机算法构建离散制造系统的能耗模型;结合结构增量学习确定隐藏层节点数;对于实时数据,采用在线贯序学习快速更新模型;为防止模型因新增的冗余数据过多而导致在线计算困难,引入伯恩斯坦不等式提高模型的数据筛选能力。通过仿真实验和对比分析,验证了该方法具有回归精度高、预测误差小且建模用时短的优点。(4)以某实际离散制造车间为应用对象,开发了一套能耗预测系统。使用HTML、CSS、Java Script、Vue、Echarts等前端技术及组件开发了前端可视化页面,同时,使用Java语言及Spring Boot、My Batis等开源框架技术完成了后端模块逻辑功能的开发和能耗预测算法的实现。应用结果表明,本文开发的预测方法取得了较好的应用效果,能够较高精度地实现能耗的离线与在线预测。

基于数据驱动的桥式起重机故障预测技术研究

这是一篇关于桥式起重机,故障树,贝叶斯网络,支持向量回归,预测平台的论文, 主要内容为特种设备安全问题一直是国家重点关注问题,设备一旦出现失控的故障和事故等危险局面,将带来人员安全及经济方面等不可弥补的损失,社会的和谐和稳定性也会受到一定的影响。据2018年统计,起重机械事故占比45.66%,死亡人数占比51.79%,均列第一位。桥式起重机是使用最广泛、数量最多的起重机械,在2006年至2011年期间,桥式起重机事故占比34.6%,起重机械故障预测方面已成为当下值得关注及研究的方向。首先,学习桥式起重机基础理论。桥式起重机故障有不确定性、多样性及复杂关联性等特点。通过学习总结,归类出5种主要故障类型并进行原因分析。依据其故障特点,故障率预测领域应用贝叶斯网络改进故障树分析,解决不确定性及计算繁琐问题,画出主要故障故障树,通过引入专家评价的先验概率量化赋值给贝叶斯网络底事件,利用全概率公式计算顶上故障发生概率,为第四章提供桥式起重机各主要故障类型的故障率数据来源,此适用桥式起重机故障特性。然后,依据桥式起重机故障率数据有非线性及随机小样本特点,传统寻优基础上,提出改进寻优参数算法newSVMcg,优化支持向量回归模型,验证预测效果优于传统寻优参数模型。对比其他常用预测方法,时间序列分析及神经网络模型故障率预测,依据5大指标,进一步列表验证改进寻优算法模型故障率预测的最佳。编辑脚本文件生成程序包。最后,桥式起重机故障率预测平台设计及应用,本人参与研发此信息监管维保检验大数据中心平台,根据本人在Web平台开发所应用的各基础框架的设计及技术配合,系统平台完全支持桥式起重机故障率预测的平台页面应用及展示,通过调用程序包及导入JSP页面并更新body代码,筛选调取相关数据,部署tomcat服务器,曲线展示预测某公司桥式起重机下一个月五种主要故障类型的发生故障率,实现平台应用,为后续研究提供基础。