PCA—LSSVM方法的控制系统性能评估

基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型陈勇;李鹏;张忠军;聂海福;沈鑫【摘要】针对目前输电线路覆冰负荷预测模型存在的预测精度不足、模型参数选择随意性强、预测效率低等问题,提出了一种基于现场监测数据的输电线路覆冰负荷在线预测模型.首先基于主成分分析法(Principal Component Analysis,PCA)提取微气象数据中的有效信息,并采用遗传优化算法(Genetic Algorithm,GA)对惩罚系数等模型参数进行优化确定,建立离线最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型.然后基于KKT条件(Karush-Kuhn-Tucker conditions)和增量在线学习算法,实现了回归函数和预测模型的在线更新.最后通过云南电网相关输电线路覆冰灾害的实例进行仿真分析.实验结果表明所提模型可有效地对现场输电线路覆冰负荷进行在线预测,单步长及多步长的预测效果均优于传统的覆冰预测模型,应用该预测模型可更好地为输变电系统的除冰和维护决策服务.【期刊名称】《电力系统保护与控制》【年(卷),期】2019(047)010【总页数】10页(P110-119)【关键词】输电线路;最小二乘支持向量机;覆冰预警;主成分分析;在线预测【作者】陈勇;李鹏;张忠军;聂海福;沈鑫【作者单位】云南大学信息学院,云南昆明 650500;云南大学信息学院,云南昆明650500;云南大学信息学院,云南昆明 650500;云南大学信息学院,云南昆明650500;云南电网有限责任公司电力科学研究院,云南昆明 650217【正文语种】中文输电线路覆冰会引起绝缘子闪络、导线舞动、跳闸、断线和电力通信中断等严重事故、严重影响了人民的生产生活，造成巨大的经济损失。

随着越来越多交直流超特高压输电线路穿越覆冰地区，导线覆冰问题已成为制约电力系统安全稳定运行的主要因素之一[1-5]。

基于LS-SVM的IT企业信用评估研究作者：冯璐周勇来源：《牡丹江师范学院学报（自然科学版）》2022年第04期摘要：構建IT企业信用评价模型，采用LS-SVM方法对企业风险进行量化研究.研究结果表明，LS-SVM可以刻画IT企业违约与否的线性特征，并可将二次规划问题转化为线性规划问题，降低计算的复杂程度，是企业信用评级的有效工具.关键词：LS-SVM；信用评估；信用风险；IT企业[ 中图分类号 ]F275.5 [ 文献标志码 ] AResearch on IT Enterprise Credit Evaluation based on LS-SVMFENG Lu，ZHOU Yong（College of Xinjiang University of Finance and Economics Statistics and data sciences，Urumqi 830012，China）Abstract：This paper constructs the credit evaluation model of IT enterprise，and uses LS-SVM method to quantify the enterprise risk.The results show that LS-SVM can characterize the linear feature of default or non-default，and can transform quadratic programming problem into linear programming problem，reduce the complexity of calculation，and is an effective tool for enterprise credit rating.Key words：least squares support vector machine；credit assessment；credit risk；IT enterprise国务院于2015年提出的《国务院关于积极推进“互联网+”行动的指导意见》鼓励市场主体利用互联网进行技术创新，由此互联网发展的如火如荼，作为利用互联网发展的代表性行业IT行业也进入了高速发展时期.IT行业不仅是新业态、新动能的重要体现，也是我国创新发展战略中重要的一环.IT企业的产品多以软件产品为主，其企业的不动产占比较少，财务建设具有滞后性[1]，开发项目受客户关系影响较大[2]，人力资本需货币激励与非货币激励并重[3-4]等特点，难以被纳入信贷机构现有的信用评级体系，导致IT企业在融资过程中难以得到客观评价的信用评估报告，使得其在直接融资过程中被拒绝，不利于IT企业高质量的发展.信用评估缺失还会使信贷相关行业坏账和呆账的风险增大，信用风险凸显.学者对于IT企业信用评估问题采取的多是logistic算法[5-6]，对于IT企业特点来说，其形成的信用评估模型难以满足IT 企业信用评估的要求.本文结合LS-SVM算法[7]，构建IT企业信用评估模型.1 IT企业特征及发展现状IT企业即信息技术产业，是运用信息手段和技术，收集、整理、储存、传递信息情报，提供信息服务，并提供相应的信息手段、信息技术等服务的产业.IT企业作为一种特殊的高科技产业，有以下几个基本特点：产品更新周期快，风险较高，收益也较高.IT企业是随着科技的发展而发展起来的新兴产业，现代科技产品为了获得市场的先机与消费者的青睐，更新换代的速度令人咋舌，因此IT企业产品的更新周期也比较快.IT企业的风险来自于前期设备和人才的引用，因而IT企业也属于资本较密集的一种产业.IT企业最核心的竞争力为其所生产的各类科技软件或者产品，这类产品往往综合了IT企业人才的知识转移量，但是在这个过程中，由于产品在市场推进过程中受不确定因素的影响较大，因此风险性较大；其经营领域涉及面较为广泛；经营业务多样，产品多为私人定制类型，业务受客户资源的影响.随着科技的发展，数字时代的来临，IT企业数量和质量的提升尤为显著，特别是当代工业互联网的发展，大大促进了IT企业与其他企业的联系，这两类企业融合成了不可分割的整体，呈现出了全新的产业面貌.中国的IT产业发展指数（ITII）由2014年的61.5分提高到2018年的76.3分，由第二梯队末位提升至第二梯队中游水平，并于2018年首次超越英国和韩国位列第四位.2018年中国IT产业发展迅速，在产业结构上优化改进也有了长足的进步，核心竞争力随着产品的优质有了长足的进步，大幅度提升了本土IT企业的创新发展力.随着互联网产业的快速发展以及产业方式的转变，IT产业走上了高速平稳发展的道路，产业融合提升最为显著，融合指数由50.1分升至76.5分，证明我国IT企业核心竞争力得到认可.当前我国IT 产业的发展已经形成了品牌效应，走上了国际化发展道路.2 IT企业信用评价指标体系及评价模型2.1 建立IT企业信用评价体系选取锐思金融数据库若干家IT企业的财务信息，从中抽取11个财务指标作为判断企业信用评级的依据.IT企业指标体系见表1.2.2 构建IT企业信用评价模型将IT企业的信用数据指标作为分类数据点，采用LS-SVM分类器确定一个由这些数据点构成的超平面.如果用[X]表示数据点，用[Y]表示类别（[Y]可以取1或者-1，分别代表两个不同的类），一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面，这个超平面的方程可以表示为：[WT×X+B=0]. （1）式（1）中，[WT]中的[T]代表转置. 在超平面确定的情况下，（1）式表示点[X]距离超平面的远近.通过观察[WT×X+B]的符号与类别标记[Y]的符号是否一致，可判断分类是否正确.用表示类别的[YWT×X+B]的正负性来判定或表示分类的正确性.函数间隔[γ∧]为：[γ∧=YWT×X+B=YfX] . （2）超平面[（W，B）]是关于[T]中所有样本点[（Xi，Yi）]的函数间隔最小值.其中，[X]是特征，[Y]是结果标签，[i]表示第[i]个样本.超平面[（W，B）]关于训练数据集T的函数间隔为：[γ∧=miniγ∧] . （3）对法向量[W]加约束条件，引出真正定义点到超平面的距离——几何間隔的概念：[X=X0+γ∧×WW] . （4）如果令函数间隔[γ∧]等于1，则有[γ∧=1W]，目标函数转化成[max1W，s.t.YiWT×X+B≥1].为了求[1W]的最大值，转化为[12W2]的最小值，可以使目标等价为：[min12W2，s.t.YiWT×Xi+B≥1，i=1，2……n ]. （5）由于这个问题的特殊结构，还可以通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解，进而推广到非线性分类问题，因此得到新的函数解析式：[LW，B，a=12W2-i=1nαiYiWT×X+B-1] . （6）[θW，B，a=maxαi≥0LW，B，α]. （7）（1）让[α]固定，让 [L]关于 [W]和 [B] 最小化.分别对[W]以及[B]求偏导数，并令两者的偏导数等于零.[∂L∂W=0⇒W=i=1nαiYiXi∂L∂B=0⇒i=1nαiYi=0]. （8）将得到的结果带入公式（6），可以得到[LW，B，a=i=1nαi-12i，j=1nαiαjYiYjXTiXj] . （9）（2）求对[α]的极大，即是关于对偶问题的最优化问题.从上面的式子得到：[Maxi=1nαi-12i，j=1nαiαjYiYjXTiXjs.t.αi≥0，i=1，2……ni=1nαiYi=0]. （10）即可求出[αi].根据已有的公式可以得到两个参数[W，B]的值，最终可以得到分类平面和分类决策函数.利用SMO算法求解对偶问题中的拉格朗日乘子[α].为了使模型在线性不可分条件下也可使用，引入松弛变量[ξi]，在原来的目标函数后面加上一项，使得总和也要最小：[min12W2+Cξi].其中，C是一个参数，用于控制目标函数中两项之间的权重，得到的目标函数：式（1）中，[WT]中的[T]代表转置. 在超平面确定的情况下，（1）式表示点[X]距离超平面的远近.通过观察[WT×X+B]的符号与类别标记[Y]的符号是否一致，可判断分类是否正确.用表示类别的[YWT×X+B]的正負性来判定或表示分类的正确性.函数间隔[γ∧]为：[γ∧=YWT×X+B=YfX] . （2）超平面[（W，B）]是关于[T]中所有样本点[（Xi，Yi）]的函数间隔最小值.其中，[X]是特征，[Y]是结果标签，[i]表示第[i]个样本.超平面[（W，B）]关于训练数据集T的函数间隔为：[γ∧=miniγ∧] . （3）对法向量[W]加约束条件，引出真正定义点到超平面的距离——几何间隔的概念：[X=X0+γ∧×WW] . （4）如果令函数间隔[γ∧]等于1，则有[γ∧=1W]，目标函数转化成[max1W，s.t.YiWT×X+B≥1].为了求[1W]的最大值，转化为[12W2]的最小值，可以使目标等价为：[min12W2，s.t.YiWT×Xi+B≥1，i=1，2……n ]. （5）由于这个问题的特殊结构，还可以通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解，进而推广到非线性分类问题，因此得到新的函数解析式：[LW，B，a=12W2-i=1nαiYiWT×X+B-1] . （6）[θW，B，a=maxαi≥0LW，B，α]. （7）（1）让[α]固定，让 [L]关于 [W]和 [B] 最小化.分别对[W]以及[B]求偏导数，并令两者的偏导数等于零.[∂L∂W=0⇒W=i=1nαiYiXi∂L∂B=0⇒i=1nαiYi=0]. （8）将得到的结果带入公式（6），可以得到[LW，B，a=i=1nαi-12i，j=1nαiαjYiYjXTiXj] . （9）（2）求对[α]的极大，即是关于对偶问题的最优化问题.从上面的式子得到：[Maxi=1nαi-12i，j=1nαiαjYiYjXTiXjs.t.αi≥0，i=1，2……ni=1nαiYi=0]. （10）即可求出[αi].根据已有的公式可以得到两个参数[W，B]的值，最终可以得到分类平面和分类决策函数.利用SMO算法求解对偶问题中的拉格朗日乘子[α].为了使模型在线性不可分条件下也可使用，引入松弛变量[ξi]，在原来的目标函数后面加上一项，使得总和也要最小：[min12W2+Cξi].其中，C是一个参数，用于控制目标函数中两项之间的权重，得到的目标函数：。

基于EMD-PCA-LSSVM方法的滚动轴承安全域估计和状态辨识张媛;秦勇;邢宗义;贾利民;廖贵玲【期刊名称】《高技术通讯》【年(卷),期】2013(023)005【摘要】将安全域的思想引入滚动轴承的状态监测中,综合利用经验模式分解(EMD)、主成分分析(PCA)和最小二乘支持向量机(LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识.首先,按一定的时间间隔将采集的振动数据分段,每段数据进行EMD后获得各本征模函数(IMF)分量；其次,基于各段数据的本征模函数分量,利用主成分分析方法提取出每段数据的T2统计量和平方预估误差(SPE)统计量控制限值作为滚动轴承的状态特征量；最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类的LSSVM进行滚动轴承的正常以及滚动体故障、内圈故障、外圈故障四种状态的辨识.试验结果显示安全域估计准确率和多种状态辨识正确率均大于95％,验证了上述方法的有效性.%The idea of safety region was introduced into the condition monitoring of rolling bearings,and the research on estimation of a rolling bearing' s safe operating region and identification of a rolling bearing' s operating state (normal or at fault) was performed by combinative use of empirical mode decomposition (EMD),principal component analysis (PCA) and least square support vector machine (LSSVM).Firstly,the vibration data of a rolling bearing was collected and it was segmented at regular intervals,and intrinsic mode functions (IMFs) of each segment' s data were obtained byusing EMD.Then two statistical variables' control limits as the state characteristics of the rolling bearing were calculated based on PCA.At last,the boundary of the safety region was estimated by a twoclassification LSSVM,and the normal condition and three fault conditions were identified by a multi-classification LSSVM.The experimental results indicated that the accuracy of safety region estimation and that of state identification were both more than 95 ％,so the effectiveness of the above method was verified.【总页数】8页(P525-532)【作者】张媛;秦勇;邢宗义;贾利民;廖贵玲【作者单位】北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044;南京理工大学自动化学院南京210014;北京交通大学交通运输学院北京100044;北京交通大学交通运输学院北京100044【正文语种】中文【相关文献】1.基于VPMELM的滚动轴承劣化状态辨识方法 [J], 郑近德;潘海洋;童宝宏;张良安2.基于LMD-PCA-LSSVM的滚动轴承安全域估计和状态辨识方法 [J], 张媛;秦勇;邢宗义;贾利民;陈波3.基于LSSVM和PNN的车轮状态安全域估计及故障诊断 [J], 冯坚强;李俊明;王晓浩;曹康4.基于粒子滤波状态估计的滚动轴承故障识别方法 [J], 史晓雪;吴亚锋5.基于安全域估计的轨道车辆服役状态安全评估方法 [J], 秦勇;史婧轩;张媛;朱圣芝;贾利民因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM算法的实兵对抗演习作战效能评估代耀宗;沈建京;郭晓峰;廖鹰【摘要】在实战化实兵对抗演习训练中,经验驱动的作战效能评估方法存在主观性强、评估效率低的问题,对于部队提升实战化训练水平、强化实战能力带来不利影响.针对上述问题,提出数据驱动的实兵对抗演习作战效能评估方法,引入最小二乘支持向量机算法(LS-SVM)构建评估模型,通过演习数据对模型进行训练,建立效能指标和作战效能的非线性映射复杂关系.实验表明,基于LS-SVM算法的实兵对抗演习效能评估方法具有更高的效率和精度.【期刊名称】《火力与指挥控制》【年(卷),期】2019(044)004【总页数】5页(P17-21)【关键词】实兵对抗演习;效能评估;数据驱动;最小二乘支持向量机【作者】代耀宗;沈建京;郭晓峰;廖鹰【作者单位】信息工程大学理学院,郑州 450001;信息工程大学理学院,郑州450001;信息工程大学理学院,郑州 450001;信息工程大学理学院,郑州 450001【正文语种】中文【中图分类】TJ01;E250 引言实兵对抗演习是检验和提高部队战斗力的重要手段［1］，作战效能评估作为实兵对抗演习的重要内容，其目的是准确掌握部队战斗力现状，争取以最小代价实现最大预期目标［2］。

当前，在实兵对抗演习训练中，裁决员直接根据作战经验对作战效能进行评分，本质上是经验驱动的效能评估方法，人为因素较多，主观性强，且耗时长、成本高［3］。

随着高新技术在军事领域的应用，现代战争呈现出前所未有的复杂性，战争态势瞬息万变，战场数据海量增长，要求效能评估有更高的速度和精度，经验驱动方法已无法适应现代战争的要求。

近年来，在效能评估理论研究领域，有学者将机器学习算法应用于作战效能评估领域，如人工神经网络、贝叶斯网络和支持向量机等。

文献［4-5］将神经网络运用于效能评估，通过仿真证明了方法的可行性，但神经网络对样本数据量要求高，且需要根据经验设定相关参数，训练速度较慢，易陷入局部最优；文献［6］针对影响作战效能的不确定性因素，提出基于灰色模糊贝叶斯网络的作战效能评估模型，该方法需要多方面先验知识和后验知识，在实际应用中，需大量收集并实时更新领域专家的知识信息，评估过程较为复杂；文献［7］建立了基于支持向量机的作战效能评估模型，降低了人为因素的影响，但传统支持向量机适用于解决小样本数据问题，算法精度和速度有待提升。

基于PCA及其扩展方法的控制系统性能评估
崔永贞
【期刊名称】《职业技术》
【年(卷),期】2011(000)010
【摘要】控制系统性能评估是控制领域中较为新的研究分支,数据驱动方法在该领域应用较少。

本文主要对陈荣辉博士的三篇论文中针对现有控制系统性能评估存在的不足,提出利用PCA及其扩展方法在最小方差性能评估中的应用进行阐述。

本文主要介绍了其方法的主要思想及其创新点,并对他们进行了总结。

【总页数】2页(P110-111)
【作者】崔永贞
【作者单位】河南驻马店职业技术学院信息工程系
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于PCA及其扩展方法的控制系统性能评估
2.PCA-LSSVM方法的控制系统性能评估
3.一种基于优先级的控制系统性能评估和安全监控系统
4.基于方差分解的一类非线性串级控制系统性能评估
5.基于高阶统计量的非线性控制系统性能评估方法
因版权原因，仅展示原文概要，查看原文内容请购买。

PCA-LSSVM方法的控制系统性能评估蔡宏斌;苏成利【摘要】为了准确地评价多变量控制系统的性能,并简化其评价过程的计算复杂度,提出了基于主元分析(PCA)与最小二乘支持向量机(LSSVM)相结合的多变量控制系统性能评价方法.该方法将原始自变量数据通过PCA方法进行降维处理,利用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束变为等式约束,从而将二次规划问题转变为线性方程组的求解,并对LSSVM的参数选取做了改进.该方法在性能评价过程中不需要求解系统关联矩阵,简化了求解的复杂性.仿真实例验证了PCA-LSSVM性能评价方法更能反映控制系统真实性能.【期刊名称】《自动化仪表》【年(卷),期】2014(035)001【总页数】5页(P10-14)【关键词】最小二乘支持向量机;多变量控制系统;主元分析;关联矩阵;性能指标;性能评价【作者】蔡宏斌;苏成利【作者单位】辽宁石油化工大学信息与控制工程学院,辽宁抚顺113001;辽宁石油化工大学信息与控制工程学院,辽宁抚顺113001【正文语种】中文【中图分类】TP13评估控制系统的性能对于企业的发展具有重大意义。

目前，相继出现了不少新的研究成果［1］。

工业控制回路大多是多变量的，因此研究多变量控制系统的性能评估方法具有更长远的意义［2］。

在使用最小方差控制(minimum variance control，MVC)基准方法进行控制系统性能评价时，需要完整的过程模型和关联矩阵的信息［3－4］。

有学者采用一个实用的次优多变量MVC控制基准，即只需要关联矩阵的阶次而不必构造出关联矩阵［5］。

利用Markov参数和闭环运行数据的性能评估方法也只需要获知过程的时滞阶次信息［6］。

本文研究了主元分析(principal component analysis，PCA)与最小二乘支持向量机相结合的性能评价算法。

该方法先将原始数据通过主元分析方法进行降维处理;再把获得的新主成分使用最小二乘支持向量机进行训练;然后再通过建立新模型计算出控制系统性能指标，得到更为准确的性能评价指标。

PCA-SS-LSSVM算法研究董超;胡艳珍;李晨光【摘要】近年来,支持向量机被广泛地运用于许多行业进行分类、预测分析工作,并取得了很好的效果.虽然标准支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势,但仍存在一定的不足,如计算速度慢、精度不高、资源占用多等.针对上述问题,在总结研究相关算法优缺点基础上,提出了一种新型的组合算法,即PCA-SS-LSSVM算法.结果表明该算法能有效弥补标准支持向量机的不足,具有更好的适应性和应用可行性.【期刊名称】《制造业自动化》【年(卷),期】2017(039)007【总页数】5页(P88-91,105)【关键词】支持向量机;分散搜索算法;主成分分析【作者】董超;胡艳珍;李晨光【作者单位】天津理工大学天津市复杂系统控制理论及应用重点实验室,天津300384;天津理工大学天津市复杂系统控制理论及应用重点实验室,天津 300384;中国石油化工股份有限公司天津分公司,天津 300271【正文语种】中文【中图分类】TP181支持向量机是Corinna Cortes和Vapnik于1995年提出的一种具有很强自学习能力的算法。

其比神经网络具有更好的泛化能力、模型精度不会因使用者的知识差异而不同以及能避免局部最优等优势，因而在许多行业得到了广泛的应用。

例如2016年广东电网有限责任公司电力调度控制中心的王宁等人使用支持向量机回归组合模型对中长期降温负荷进行了预测[1]。

2016年湖南大学的喻胜华、龚尚花利用Lasso和支持向量机对粮食价格进行了预测[2]。

2016年华南理工大学周璇等人使用小波分解和支持向量机对办公建筑空调负荷进行了预测[3]。

2015年吉林大学生物与农业工程学院的任顺等人将支持向量机应用于叶绿素荧光预测光能利用效率的研究中[4]。

2015年河海大学的张秀菊等人利用支持向量机对水质进行了预测[5]。

虽然标准支持向量机有很多优势，能够解决很多行业的预测、分类问题，但是其仍然存在一些弊端。

山　东　化　工 收稿日期：２０２０－０５－１２作者简介：苗　茺（１９９８—），辽宁大连人，主要从事机械系统研究。

基于ＰＣＡ－ＬＳＳＶＭ算法的矿用空压机故障诊断模型苗　茺（辽宁工程技术大学机械工程学院，辽宁阜新　１２３０００）摘要：本文针对压缩机系统故障诊断系统进行研究。

根据压缩机系统工作原理和特性分析故障现象与发生根源的联系，提取用于故障诊断的特征信号。

建立基于最小二乘支持向量机的故障诊断模型，并使用ＰＣＡ算法提取数据特征作为故障诊断模型的输入，降低输入维数。

使用多种故障诊断模型进行对比分析，验证了本文使用的基于经过ＰＣＡ算法提取特征的ＬＳＳＶＭ故障诊断模型具有较高的识别效率和识别准确性。

关键词：压缩机；故障诊断；最小二乘支持向量机；主成分分析中图分类号：Ｕ２８４ 文献标识码：Ａ 文章编号：１００８－０２１Ｘ（２０２０）１４－０１２０－０２ＦａｕｌｔＤｉａｇｎｏｓｉｓＭｏｄｅｌｏｆＭｉｎｅＡｉｒＣｏｍｐｒｅｓｓｏｒＢａｓｅｄｏｎＰＣＡ－ＬＳＳＶＭＡｌｇｏｒｉｔｈｍＭｉａｏＣｈｏｎｇ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｆｕｘｉｎ　１２３０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｓｔｕｄｉｅｓｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｏｆｃｏｍｐｒｅｓｓｏｒｓｙｓｔｅｍ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｗｏｒｋｉｎｇｐｒｉｎｃｉｐｌｅａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｃｏｍｐｒｅｓｓｏｒｓｙｓｔｅｍ，ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｆａｕｌｔｐｈｅｎｏｍｅｎａａｎｄｒｏｏｔｃａｕｓｅｓｉｓａｎａｌｙｚｅｄ，ａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｇｎａｌｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓａｒｅｅｘｔｒａｃｔｅｄ．Ｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｉｓｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅＰＣＡａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｄａｔａｆｅａｔｕｒｅｓａｓｔｈｅｉｎｐｕｔｏｆｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｔｏｒｅｄｕｃｅｔｈｅｉｎｐｕｔｄｉｍｅｎｓｉｏｎ．Ｕｓｉｎｇａｖａｒｉｅｔｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｓｆｏｒｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ，ｉｔｉｓｖｅｒｉｆｉｅｄｔｈａｔｔｈｅＬＳＳＶＭｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｂａｓｅｄｏｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｂｙＰＣＡａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｒｅｃｏｇｎｉｔｉｏｎｅｆｆｉｃｉｅｎｃｙａｎｄａｃｃｕｒａｃｙ．Ｋｅｙｗｏｒｄｓ：ｃｏｍｐｒｅｓｓｏｒ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ 由于矿用空压机在使用的过程中满负荷时间较长，而且具有复杂的工作条件和恶劣的环境，所以在工作的过程中各种各样的故障会在多种因素的作用下出现，其中故障和故障所出现的原因呈现出非常明显的非线性关系，由于在诊断矿用空压机故障的过程中无法利用数学模型进行表达，因此需要在充分分析庞大数据信息的基础上进行故障预警，及时的发现所存在的风险，只有这样才能够保证现代煤矿企业的稳定和健康发展［１－３］。

燃烧空燃比控制系统性能评估李奇达;谭树彬【摘要】保持PID控制器性能的优越性是工厂高效生产的重要前提.分析了燃烧空燃比系统的组成、工作原理和系统存在的问题.采用了递推最小二乘方法对其闭环传递函数进行系统参数辨识.基于最小方差基准,提出利用线性回归算法和遗传算法两种控制方案,对燃烧空燃比系统进行了性能评估对比分析,有效实现了对燃烧空燃比系统的实时监测,提高了燃烧效率.针对管压力波动和阀门黏滞这两种扰动动态,提出了H2范数和权重系数相结合的方法,对燃烧空燃比系统进行了控制器性能评估.基于该方法设计的最优控制器,大幅度提高了系统控制性能,有效解决了由于阀门粘滞对燃烧空燃比系统造成的振荡问题.%Maintaining the superiority of PID controller is an important prerequisite for the efficient production of the plant.The composition,working principle,and existing problems of the combustion air-fuel ratio system are analyzed.Recursive least squares method is used to identify the system parameters of its closed-loop transfer function.Based on the minimum variance benchmark, two control schemes,linear regression and genetic algorithm are proposed to compare and analyze the performance of the combustion air-fuel ratio system.The real-time monitoring of the combustion air-fuel ratio system is effectively realized and the combustion efficiency is improved.Aiming at the disturbance dynamics of pipeline pressure fluctuation and valve viscous,the method combining H2 norm and weight coefficient is proposed,and the performance of the controller for combustion air-fuel ratio system is evaluated.Through this method,the optimal controller isdesigned,the control performance of the system is greatly improved,and the vibration problem caused by valve viscous is effectively solved.【期刊名称】《自动化仪表》【年(卷),期】2018(039)005【总页数】5页(P1-4,11)【关键词】燃烧空燃比系统;最小方差基准;遗传算法;最小二乘法;控制器性能评估;系统参数辨识;多扰动动态;线性回归【作者】李奇达;谭树彬【作者单位】东北大学信息科学与工程学院,辽宁沈阳110819;东北大学流程工业综合自动化国家重点实验室,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学流程工业综合自动化国家重点实验室,辽宁沈阳110819【正文语种】中文【中图分类】TH138;TP180 引言在实际工业过程中，由于系统长时间的运行导致零件的磨损和故障，系统特性的变化等因素造成控制系统性能下降,这使得产品质量也随之下降。

基于LS_SVM与PCA的小型无人机传感器故障诊断
高云红;赵丁;李一波
【期刊名称】《火力与指挥控制》
【年(卷),期】2014(000)007
【摘要】针对小型无人机机动性强，故障多且难以实时检测的特点，提出了将最
小二乘支持向量机（LS_SVM）与主元分析法（PCA）相结合对小型无人机传感器进行故障检测与分离。

最小二乘支持向量机用于建立预测模型并生成残差，实时检测传感器故障；利用主元分析法将故障信号分离，进行故障诊断。

仿真结果表明，最小二乘支持向量机与主元分析法相结合对无人机传感器具有良好的故障诊断效果。

【总页数】4页(P111-114)
【作者】高云红;赵丁;李一波
【作者单位】沈阳航空工业学院自动化学院，沈阳 110136; 南京航空航天大学自
动化学院，南京 210016;沈阳航空工业学院自动化学院，沈阳 110136;沈阳航空
工业学院自动化学院，沈阳 110136
【正文语种】中文
【中图分类】TP277
【相关文献】
1.基于PCA的空调系统传感器故障诊断 [J], 李冬辉;王乐英;李晟
2.基于PCA和信息融合理论的传感器故障诊断 [J], 赵乃卓;伍江超
3.基于改进粒子滤波算法的小型无人机传感器故障诊断方法 [J], 刘彦超; 刘慧文;
高薇; 李凤银
4.基于PCA与SVM的振动传感器故障诊断方法 [J], 李翼飞; 吴春平; 涂煊
5.基于改进粒子滤波算法的小型无人机传感器故障诊断方法 [J], 刘彦超; 刘慧文; 高薇; 李凤银
因版权原因，仅展示原文概要，查看原文内容请购买。

电子技术与软件工程Electronic Tech no l ogy&Software Engineering数据库技术Database Technology基于自适应参数的LSSVM高校学生信用评估方法向燕飞（广东东软学院广东省佛山市528225）摘要：本文通过研究LSSVM算法的样本学习与预测能力，针对LSSVM算法的参数敏感性问题，定义了一种动态自适应的惯性权重方程，建立了一种自适应PS0算法，利用自适应PS0算法优选LSSVM参数，克服了LSSVM法参数敏感性问题，提高了算法的全局搜索能力，并根据高校学生信用评估指标建立了自适应参数的LSSVM信用评估模型，为高校学生信用评估提供了一种新的方法。

关键词：信用评估；高校学生；LSSVM算法；PS0算法1引言每个人是社会的组成部分，个人信用是社会信用的基础。

如果个人发生个人失信行为，容易引起集体失信。

近年来，信用问题已成为社会关注的一个重要问题。

如何建设个人信用评价体系，特别针对作为未来社会的栋梁的高校学生，是本文研究的工作。

通过建立高校学生个人信用评价体系，引导和督促学生重视个人信用记录、改善个人信用行为，是本文研究的意义所在。

关于个人信用评估的研究较多，如李娴［1］基于GCV准则和Newton-Raphson算法的正则化参数快速选择方法，利用最小二乘支持向量机中建立个人信用风险预测模型；刘太安［2］在银行个人信用特征数据基础上，将LSVM算法应用于个人信用评估中；魏志静⑶在对信用数据进行多种数据操作的基础上，其中，数据处理操作包括数据预处理、指标优化、格式转换、归一化等，利用网格搜索和交互检验选择最佳核函数与核参数，同时使用SVM-KNN方法进行分类预测并应用于个人信用评估中；张澜觉⑷在P2P信贷个人信用评价中引入BP神经网络，利用附加动量法和弹性梯度下降法调整权值，提出了一个适用于P2P信贷个人信用评价模型；肖文兵等151运用网格5-折交叉确认来寻找不同核函数的最优参数，以此建立了一个基于支持向量机的个人信用评估预测方法；史小伍⑹运用组合代价敏感支持向量机模型，结合统计分析和神经网络技术构建模型个人信用评价方法。