遥控紧急切断阀在炼厂的应用

在现代炼化生产中,遥控紧急切断阀在防范和应对泄漏事故中的作用日益彰显。炼化企业及相关领域的技术人员有必要熟悉紧急切断阀的应用范围并了解如何对其维护及注意事项。     

基于稀疏距离入侵特征表达的信息安全检测算法

针对信息安全检测中的检测精度低的问题,提出了基于稀疏距离入侵特征表达的信息安全检测算法。在该算法中,引入稀疏表达对完备词典进行编码,使得学习的稀疏系数可以具有较好的重构特征;其次利用K-SVD算法和支持向量机进行样本分类训练,使得稀疏特征为样本输入;最后利用粒子群算法对多维测试数据进行粒子映射,在满足适应度函数的条件下进行分类迭代寻优。实验表明,该算法具有较好的检测率。     

投标报价中报高率确定的支持向量机方法研究

在分析考虑各个影响报价的风险因素的基础之上得到一个适当的报高率是企业竞标获胜的关键所在。将支持向量机(SVM)方法应用到投标报高率的确定过程之中,引入粒子群优化算法(PSO)来实现对SVM学习参数值的优化确定。通过与传统的人工神经网络方法(ANN)进行比较研究后发现,用新方法来确定报高率不仅简便易行,而且用新方法确定的报高率与实际值的偏差更小,显示了其在该领域中应用的广阔前景。     

基于粒子群优化SVR的用电量预测

针对用电量数据非线性的特点提出一种基于粒子群优化的PSO-CV-SVR模型。该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数。将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度。     

基于卷积神经网络的SVM分类算法在图像分类中的应用

利用卷积神经网络强大的自学能力,训练合适的CNN来提取图像特征信息,利用RBF函数作为支持向量机的核函数,并结合粒子群算法优化SVM参数,完成图像分类的混合算法。针对乳腺组织的病理图像分类性能的实验分析,给出了混合分类算法的优越性。     

基于连续PSO算法的特征选择和SVM参数同步优化算法

为解决SVM的特征选择和参数优化问题,文章提出了一种基于连续PSO算法的特征选择和SVM参数同步优化算法(CPSO-SVM),其目标是在尽可能提高SVM分类精度的同时,选择尽可能少的特征数目。在真实数据集上的实验研究表明,CPSO-SVM算法具有原始SVM算法所不具备的特征选择能力,能显著提高SVM的分类能力(包括更高的分类精度和更好的均衡性),而且从分类器的整个生命周期来看,具有更高的效率。与HuangC-L等所提出的基于GA的算法相比,CPSO-SVM算法在分类能力和特征性选择能力上毫不逊色,而且效率更高。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在“认知”部分和“社会”部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

基于特征选择和支持向量机的入侵检测方法

为去除网络入侵数据集中的冗余和噪声特征,降低数据处理难度和提高检测性能,提出一种基于特征选择和支持向量机的入侵检测方法。该方法采用提出的特征选择算法选取最优特征组合,并以支持向量机为分类器建立模型,应用于入侵检测系统。仿真结果表明,本文方法不仅可以减少特征维数,降低训练和测试时间,还能提高入侵检测的分类准确率。     

PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。     

粒子群算法网络异常检测技术研究

提出了一种新的基于粒子群算法入侵检测方法模型。算法采用粒子群优化算法,有效地降低网络拓扑路径长度,通过优化算法来寻找聚类的中心。实验结果表明,提出的改进算法与传统的入侵检测算法相比,具有更好的入侵识别率和检测率。     

基于FOA-LSSVM的高速铁路道岔故障诊断

道岔故障类型识别对高速铁路设备维护具有重要的意义。在提出的基于FOA-LSSVM的高铁提速道岔故障诊断算法中,以道岔动作电流曲线监测数据为分析基础,选择5个特征指标组成道岔故障诊断模型的特征输入向量,降低了输入向量的维数,缩短训练时间,并采用果蝇优化算法,能够提高计算速度,保持良好的回归性能。通过实例分析证明:基于FOA-LSSVM的道岔故障诊断算法的分类性能好、识别准确率高,能够保证道岔故障类型测定的准确性和可靠性,缩短故障处理时间,确保高速铁路运输的安全与实效。     

改进的支持向量机网络木马病毒检测算法研究

提出一种支持向量机的木马检测方法.首先对木马程序进行特征提取,然后采用支持向量机对木马数据进行训练,建立一个木马检测模型,最后采用木马检测模型对检测程序进行检测,将其分类为合法程序或木马程序.实验表明,采用本方法木马检测准确率在98,4％,远远高于传统木马检测算法的准确正确率,且检测时间更少,更加符合木马实时性要求高的特点.     

广东省应急管理科技支撑的现状与对策研究

突发事件应急管理的科技支撑是实现公共安全的基础保障。研究广东省科学技术厅对应急管理科技支撑与保障体系的建设工作,对广东省突发事件应急管理科技支撑的现状及存在问题进行详细的分析,针对广东省存在的一些问题,提出应重视应急技术的研发、探索建立多元化投入体系、整合省内高等院校和科研机构的省部级重点实验室资源和探索广东省突发事件应急技术研究中心的各项管理机制等对策建议。     

基于GA-SVM网络安全技术研究

提出一种遗传算法优化支持向量机算法的网络安全检测方法。混合算法能够直接得到分类超平面的系数,采用最优支持向量机模型对归一化后的网络数据进行检测,最终得到网络入侵结果。本文通过对比分析传统的SVM网络安全技术,验证了GA-SVM技术的优越性。     

数字化周易技术研究与应用

周易是中华国学之源,进入现代信息化社会后周易的研究手段仍旧落后。本文把信息化引入周易资料整理当中,并且提供了周易资料信息化的标准。首次提出运用数据挖掘技术、模糊支持向量机技术辅助周易研究。最后基于NET,实现了数字化周易信息管理系统和辅助研究平台。     

基于改进模拟植物生长算法的应急物流中心选址研究

结合自然灾害的特点,建立了以总成本(包括应急服务设施点建设成本、运输成本和灾害损失成本)最小为目标的选址模型,并运用改进的模拟植物生长算法进行求解。首先运用一个启发式算法(聚类方法)求出初始方案,并以此为初始值运用模拟植物生长算法得出最终方案,这样可以极大地降低算法的迭代次数,从而快速得到最优解。最后,通过一个算例验证了本算法的正确性及有效性。     

一种基于支持向量机的蠓虫分类方法

讨论两类蠓虫的分类问题。利用极大化“间隔”的思想,将分类问题转化为一个二次规划及其对偶规划问题,即支持向量机算法。通过求解此数学规划,得到一线性分类函数。基于该算法,通过给定的蠓虫的样本集,建立上述分类模型,求得一个线性分类函数,为蠓虫的正确分类提供了一个较可靠的方法。