专利交易市场

本发明提供了一种改进粒子群优化支持向量机的精馏塔故障诊断方法，本发明按照如下步骤进行优化：(1)系子群初始值的设定，给定参数C,σ的范围。(2)随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应值。(3)根据相应的改进公式更新速度和位置。(4)检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算。(5)得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型。本发明有效的改善普通粒子群优化支持向量在一开始在速度极限值选择上过大或过小而引起的陷入局部最优等的问题。

本发明公开了结合门限回归和改进支持向量机面板坝坝顶沉降预测方法，具体包括如下步骤：步骤1：获取沉降数据；步骤2：处理数据；步骤3：确定支持向量机核函数；步骤4：采用启发式的粒子群优化算法对支持向量回归机的正则化参数C，多项式核参数d，径向基核参数g进行优化选择；步骤5：建立结合门限回归和改进支持向量机的坝顶沉降预测模型；步骤6：结合建立好的结合门限回归和改进支持向量机的面板堆石坝坝顶沉降预测模型。该方法解决现有技术中的根据现有经验公式不能准确预测坝顶沉降的问题。

本发明公开的基于蚁群优化支持向量机的电缆线路故障概率预测方法，采集电缆线路的数据作为样本数据，然后建立SVM模型，将采集的样本划分为两部分，一部分用于SVM模型学习，作为训练样本；一部分用于SVM模型进行测试，为测试样本；然后，使用训练样本，通过蚁群算法对SVM模型进行优化训练，寻找最佳的惩罚因子c和高斯核函数参数σ，得到最佳故障概率预测模型；最后，根据故障概率预测模型对测试样本进行预测。本发明公开的方法中使用蚁群算法对SVM的惩罚参数c和高斯核函数参数σ进行寻优，提高了电缆线路故障发生概率预测的正确率，促使电缆线路风险评估更加定量化、客观和准确。

本发明涉及基于一对多支持向量机的VR用户触觉体验的情绪识别方法，包括：场景计算机通过显示终端向用户展示虚拟场景，用户佩戴触觉模拟和反馈装置与场景计算机进行交互；场景计算机捕捉用户在虚拟场景中的触摸行为；根据用户的触摸对象，场景计算机控制触觉模拟和反馈装置，对皮肤触觉模拟模块接触的用户皮肤部位产生不同的压力、剪切力，使用户产生触觉体验；触觉模拟和反馈装置的生理信号模块采集用户的生理信号；根据实时采集的用户的生理信号，判断用户的情绪。本发明实时分析用户虚拟场景中的触摸行为产生的情绪，得到用户对体验对象的反馈信息，准确性好，可广泛用于各种新生事物的虚拟体验的用户情绪识别，体验度高，省时省力，节约成本。

本发明公开一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，属于故障诊断技术领域。该方法首先采集待诊断部件的原始正常状态振动信号与故障状态振动信号，然后基于时域、频域与时频域的信号处理方法，提取能表征部件状态信息的特征指标，构建高维混合域特征集；对训练样本高维混合域特征集和测试样本高维混合域特征集进行线性判别分析降维技术处理，得到训练样本低维特征集和测试样本低维特征集，然后将训练样本低维特征集输入到粒子群优化支持向量机中进行模型训练，再用训练好的PSO‑SVM模型对降维处理后的测试样本低维特征集进行模式识别，最后根据分类结果识别该部件的故障类型。本发明方法具有较高的诊断精度。

本发明公开了一种基于最大相关熵准则的最小二乘支持向量机电量预测方法，步骤包括：步骤1、以历史三年的同期用电量以及所对应的月平均气温构建输入数据集，用最小二乘支持向量机方法，构建待测月的售电量预测模型；步骤2、数据预处理；步骤3、对输入数据集进行归一化处理；步骤4、针对历史用电量、气温小样本数据，选用最小二乘支持向量机模型进行售电量预测；步骤5、对模型的关键参数σ0与σ进行优化，确定最优参数；步骤6、对关键参数σ0与σ进行优化；步骤7、选用月相对误差与年平均相对误差作为预测结果的评价指标，计算此时的预测精度；步骤8、进行至少3‑5次预测，取平均值。本发明的方法，能有效对用户进行售电量预测。