导读:本文包含了最小二乘小波支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:碰摩,声发射,小波分析,最小二乘支持向量机
最小二乘小波支持向量机论文文献综述
金志浩,于宝刚,杨铮鑫,王雷[1]（2019）在《基于小波分析-最小二乘支持向量机的转子碰摩故障诊断》一文中研究指出针对不同材料碰摩声发射信号分类识别的问题,利用小波分析良好的时频特性和最小二乘支持向量机解决小样本、非线性、高维模式识别问题的优势,提出一种小波分析与最小二乘支持向量机结合的分类方法.声发射信号进行小波多尺度分解,将分解获得的各尺度能量百分比作为最小二乘支持向量机的输入,用于声发射信号分类识别.实验结果表明:该方法可以明显识别出转子碰摩故障信号以及分类不同材料的碰摩信号.(本文来源于《沈阳化工大学学报》期刊2019年03期）
张慧,卢文冰,赵雄文,李梁,刘军雨[2]（2018）在《基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究》一文中研究指出电力线通信是智能电网中的一种重要通信方式,电网中噪声干扰复杂,建立电力线通信信道噪声模型对于深入研究智能电网中低压电力线通信性能至关重要。针对低压电力线通信信道噪声特性,分别提出基于最小二乘支持向量机(LS-SVM)模型和小波神经网络模型在电力线信道噪声中的应用。为了验证并比较LS-SVM和小波神经网络模型对时变的低压电力线信道噪声建模的有效性,在室内和室外环境下对低压电力线通信信道的噪声进行测量,基于大量的测量数据,研究两个模型的准确度和效率。结果表明,两个噪声模型能够很好地仿真和适应时变的低压电力线通信信道,LS-SVM模型有更高的精度和更短的仿真时间。此外,提出的两个模型与传统的Markovian-Gaussian模型进行比较,结果表明,两个噪声模型有更高的精度和更低的复杂度,尤其是LS-SVM模型能够代替传统的Markovian-Gaussian模型,更适合用作低压电力线通信信道噪声发生器。该噪声模型的提出对研究在电力线通信系统和无线通信系统中内部和外部电磁源的电磁干扰有重要意义。(本文来源于《电工技术学报》期刊2018年16期）
常炳双,赵治月[3]（2018）在《小波包和最小二乘支持向量机的电能质量扰动识别》一文中研究指出为了提高电能质量扰动识别的准确性,针对当前电能质量扰动识别存在精度低、误差大等难题,提出小波包和最小二乘支持向量机的电能质量扰动识别模型(WP-LSSVM)。首先对当前电能质量扰动识别研究现状进行分析,并采用小波包提取电能质量扰动特征向量;然后采用最小二乘支持向量机建立电能质量扰动识别的分类器;最后通过电能质量扰动识别仿真实验验证其有效性。结果表明,WP-LSSVM可以很好地区别电能质量扰动类别,提高了电能质量扰动识别正确率,而且误识率要远远低于其他电能质量扰动识别模型,具有十分显着的优越性。(本文来源于《现代电子技术》期刊2018年03期）
耿立艳,张占福,梁毅刚[4]（2018）在《基于最小二乘小波支持向量机的股指波动率预测》一文中研究指出为提高金融波动率的预测精度,用极差估算股指波动率,建立了基于最小二乘小波支持向量机(LS-WSVM)的波动率预测模型,以上证综指和深证成指的日数据、周数据和月数据为数据样本,通过LL、NMSE、NMAE指标验证了LSWSVM在波动率预测方面的有效性。结果表明,LS-WSVM用于波动率预测是有效的,对不同频率波动率的预测精度优于高斯核LS-SVM,在预测较低频率波动率中表现更好,不同小波核之间的预测精度相差不大。(本文来源于《中国管理信息化》期刊2018年01期）
陈李[5]（2017）在《基于小波差分进化最小二乘支持向量机的城市日用水量预测研究》一文中研究指出随着城市管网的复杂化和调度目标多样化,经验调度已无法满足给水管网调度的要求,迫切需要能耗低、安全性高、可靠性高的优化调度方式。实现优化调度决策首先需要建立管网状态模型和调度时用水量预测模型,其中调度时用水量预测是否精确直接决定了调度决策方案是否可行。而日用水量预测是调度时用水量预测的重要前提和关键,它很大程度决定了时用水量的预测精度。因此,本文对日用水量预测进行了研究,主要工作如下:(1)利用小波降噪理论分析日用水量序列,去除日用水量所包含的噪声成分。通过计算降噪或未降噪序列变量间的互信息量,确定与预测日用水量相关性最大的日用水量。(2)以预测日用水量主要影响因素和与降噪或未降噪预测日相关性最大的日用水量为输入,以降噪或未降噪预测日用水量为输出,分别引入自适应差分进化算法(SADE)优化LSSVM的参数,建立了基于小波自适应差分进化最小二乘支持向量机预测模型(WSADDELSSVM)和基于自适应差分进化最小二乘支持向量机预测模型(SADELSSVM)。(3)利用降噪或未降噪的日用水量数据,采用相同的模型输入和输出,引入自适应遗传算法和传统差分进化算法优化LSSVM的参数,建立基于小波差分进化最小二乘支持向量机模型(WDELSSVM)、基于小波自适应遗传算法的最小二乘支持向量机模型(WSAGALSSVM)、基于差分进化最小二乘支持向量机模型(DELSSVM)和基于自适应遗传算法的最小二乘支持向量机(SAGALSSVM)。采用相同的降噪或未降噪数据,在优化LSSVM参数的过程中,SADE的全局优化能力最强,DE的全局优化能力次之,SAGA的全局优化能力最弱,但SADE和DE最终都搜索到相同的最优参数。采用相同的降噪数据进行建模和预测,分析结果为:WSADELSSVM模型和WDELSSVM模型预测结果一样,为最优,WSAGALSSVM模型的预测结果则最差。采用相同的未降噪数据进行建模和预测,分析结果为:SADELSSVM和DELSSVM模型预测结果一样,为最优,SAGALSSVM模型预测结果最差。采用相同建模方法,对比采用降噪和未降噪数据进行建模和预测的结果,分析结果为:WSADELSSVM模型和WDELSSVM模型(两模型预测结果一样)预测精度优于SADELSSVM模型和DELSSVM模型(两模型预测结果一样),WSAGALSVM模型预测精度优于SAGALSSVM模型。验证了小波降噪的有效性。(本文来源于《浙江工业大学》期刊2017-11-01）
张政国,吴艾玲[6]（2016）在《最小二乘小波支持向量机在电力负荷预测中的应用》一文中研究指出针对中期电力负荷预测问题,提出了一种基于多维允许小波核的最小二乘小波支持向量机(least squares wavelet support vector machines,LS-WSVM)方法,并且给出了一种可有效求解LS-WSVM的Cholesky分解算法.该方法结合小波技术和最小二乘支持向量机,其中小波核函数具有近似正交以及适用于局部信号分析的特性.将LS-WSVM应用于电力负荷预测的两个实例中,结果表明,与LS-SVM、标准SVM、多层前向神经网络等方法相比,LS-WSVM均能给出相当好的预测性能,所提出的用于中期电力负荷预测的LS-WSVM方法显示了其有效性和应用潜能.(本文来源于《兰州交通大学学报》期刊2016年04期）
李新磊[7]（2016）在《小波消噪和蜂群最小二乘支持向量机的光纤通信网络流量分类》一文中研究指出光纤通信网络流量类型众多,分类结果有助于网络异常事件的检测,为了获得高精度的网络流量分类结果,提出一种小波消噪和蜂群最小二乘支持向量机的光纤通信网络流量分类方法。首先对光纤通信网络流量的原始数据进行小波消噪,得到无噪的新训练样本集,然后采用最小二乘支持向量机对新训练样本集进行学习,并利用蜂群算法对最小二乘支持向量机参数进行选择,建立光纤通信网络流量的分类器。具体光纤通信网络流量分类实验结果表明,本文方法较大程度上减少光纤通信网络分类的错误,其分类正确率要优于其他的光纤通信网络流量分类方法。(本文来源于《激光杂志》期刊2016年03期）
张柯,陆剑[8]（2015）在《小波包分析和最小二乘支持向量机的电机故障诊断》一文中研究指出为了提高电机故障诊断的准确性,提出一种小波包分析和最小二乘支持向量机的电机故障诊断模型。首先,采集电机不同故障状态下输出信号,采用小波包对信号进行分解提取能量特征,然后,能量特征输入最小二乘支持向量机中进行训练,建立故障状态分类器,最后,采用仿真实验对模型的性能进行测试。实验结果表明,相对于其它电机故障诊断模型,本文模型获得更优的电机故障诊断结果,具有更高的实际应用价值。(本文来源于《微型电脑应用》期刊2015年06期）
魏翔[9]（2015）在《基于小波包分解和布谷鸟算法的最小二乘支持向量机风速预测模型的研究与应用》一文中研究指出风能是一种最具规模发展潜力的清洁可再生能源,因为它不仅没有燃料问题,也不会产生辐射和空气污染,而且随着风能设施日趋进步,其生产成本也大量降低,在某些地点,风力发电成本已低于其它发电方式的成本。而风速预测是风能资源评估和电网规划的关键。然而,由于风能的间歇性和不稳定性等因素,准确预测风速成为一项艰巨的任务。传统方法总是直接预测原始数据,而忽略原始数据的预处理,因此,预测方法的稳定性有时是没有保证的。本文提出了一个新的基于数据预处理和人工智能算法的混合预测方法,提出的混合方法包含叁个部分：首先对原始的风速数据进行数据预处理,然后建立初始的LSSVM模型并利用布谷鸟搜索算法对模型进行参数寻优,最后用优化好的LSSVM模型对风速数据进行预测,通过以上步骤以保证风速预测准确性和稳定性。此外,本文提出的模型以中国山东省蓬莱虎山发电场每10分钟平均风速数据为例进行了实证研究,并和BP神经网络、小波神经网络以及粒子群优化的LSSVM模型的风速预测结果进行了对比,最后还进行了假设检验。风速预测和假设检验的结果表明,该混合方法不仅简单而且可以有效地提高风速预测的准确性。(本文来源于《兰州大学》期刊2015-03-01）
唐娟,冯成德,陈锡超[10]（2014）在《基于小波核最小二乘支持向量机的齿轮磨损预测》一文中研究指出针对齿轮在磨损过程中的磨损程度,可以用振动信号来表征,并通过对磨损过程中振动信号的预测来实现磨损预测,提出了一种基于小波核的支持向量机磨损预测算法。首先,分析了最小二乘小波在磨损预测中建模方法,其核函数采用小波核,改善了系统非线性性能;然后用量子行为粒子群优化算法(QPSO)优化SVM参数,具有较快的搜索速度并保持了时间序列的特征。验证实验中用齿轮箱振动信号的统计指标表征齿轮磨损状态。实验结果表明,该预测方法能够有效地进行齿轮磨损预测。(本文来源于《机床与液压》期刊2014年23期）
最小二乘小波支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
电力线通信是智能电网中的一种重要通信方式,电网中噪声干扰复杂,建立电力线通信信道噪声模型对于深入研究智能电网中低压电力线通信性能至关重要。针对低压电力线通信信道噪声特性,分别提出基于最小二乘支持向量机(LS-SVM)模型和小波神经网络模型在电力线信道噪声中的应用。为了验证并比较LS-SVM和小波神经网络模型对时变的低压电力线信道噪声建模的有效性,在室内和室外环境下对低压电力线通信信道的噪声进行测量,基于大量的测量数据,研究两个模型的准确度和效率。结果表明,两个噪声模型能够很好地仿真和适应时变的低压电力线通信信道,LS-SVM模型有更高的精度和更短的仿真时间。此外,提出的两个模型与传统的Markovian-Gaussian模型进行比较,结果表明,两个噪声模型有更高的精度和更低的复杂度,尤其是LS-SVM模型能够代替传统的Markovian-Gaussian模型,更适合用作低压电力线通信信道噪声发生器。该噪声模型的提出对研究在电力线通信系统和无线通信系统中内部和外部电磁源的电磁干扰有重要意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
最小二乘小波支持向量机论文参考文献
[1].金志浩,于宝刚,杨铮鑫,王雷.基于小波分析-最小二乘支持向量机的转子碰摩故障诊断[J].沈阳化工大学学报.2019
[2].张慧,卢文冰,赵雄文,李梁,刘军雨.基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究[J].电工技术学报.2018
[3].常炳双,赵治月.小波包和最小二乘支持向量机的电能质量扰动识别[J].现代电子技术.2018
[4].耿立艳,张占福,梁毅刚.基于最小二乘小波支持向量机的股指波动率预测[J].中国管理信息化.2018
[5].陈李.基于小波差分进化最小二乘支持向量机的城市日用水量预测研究[D].浙江工业大学.2017
[6].张政国,吴艾玲.最小二乘小波支持向量机在电力负荷预测中的应用[J].兰州交通大学学报.2016
[7].李新磊.小波消噪和蜂群最小二乘支持向量机的光纤通信网络流量分类[J].激光杂志.2016
[8].张柯,陆剑.小波包分析和最小二乘支持向量机的电机故障诊断[J].微型电脑应用.2015
[9].魏翔.基于小波包分解和布谷鸟算法的最小二乘支持向量机风速预测模型的研究与应用[D].兰州大学.2015
[10].唐娟,冯成德,陈锡超.基于小波核最小二乘支持向量机的齿轮磨损预测[J].机床与液压.2014