针对企业IT系统运行风险因素多、风险系数大的问题,基于数据包络与GA-LSSVM设计了IT运维风险识别评估系统。确定企业IT运维的7个风险要素并将其作为风险识别系统的风险要素,基于数据包络与层次分析法计算风险指标权重,并作为风险评估模型的输入样本;使用遗传算法优化最小二乘支持向量机的正则化参数与核函数参数,构建GA-LSSVM风险评估模型。以某电商企业为对象进行风险识别评估测试,结果显示,该系统风险识别结果与实际情形一致,且风险评估的平均绝对误差、均方根误差与对比系统相比均较低。

为了节省布置数据传输线的成本,利用无线射频信号技术(RFID)设计了RFID传感器。将振动信号产生的Hilbert边际谱作为故障特征,以总谐波畸变(THD)为状态指数,通过基于最小二乘支持向量机(LS-SVM)故障诊断模型对绕组与铁芯故障进行诊断,并以某110 kV变压器为例,选择铁芯松动、铁芯形变、绕组松动以及绕组形变4种典型的机械故障类型进行了故障诊断预测。结果表明,基于LS-SVM的变压器故障诊断算法具有良好的泛化能力,能够可靠地存储和快速查询海量的状态数据,从而大大提高状态评估和故障诊断的准确性;在系统允许的误码率范围内能够实现高精度的故障诊断,从而为变压器故障诊断和预测提供参考。

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差(MAPE)作为蝙蝠算法(BA)的目标函数,以优化变分模态分解(VMD)、最小二乘支持向量机(LSSVM)及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。

基于被动监测技术的局限性,搭建了损伤主动监测系统,对监测信号进行了功率谱密度最大值（PSM）特征提取,并提出了一种基于最小二乘支持向量机（LS-SVM）的损伤检测方法。采用该方法,对压电智能复合材料层板进行了损伤定位的研究,并与改进的BP网络进行了对比,结果表明：在相同性能指标下,LS-SVM有比BP网络更高的损伤定位精度及更强的泛化能力。LS-SVM与主动监测技术的融合,为结构实现在线实时准确监测提供了一种新途径。

本文针对具有小样本数据的N型热电偶在应用中存在的问题，提出了一种基于最小二乘支持向量机对热电偶进行非线性校正的方法，并与以往采用的BP网络、RBF网络和ANFIS校正方法进行了比较。结果表明，采用最小二乘支持向量机的校正精度高于以上3种校正方法；同时以阳极焙烧过程中料箱温度为对象进行了仿真和实际应用研究，取得了满意的结果。

提出一种基于最小二乘支持向量机( LS- SVM) 构造函数链接型神经网络( FLANN) 的方法, 并根据正反馈原理将该FLANN 应用於热电偶传感器非线性校正. 讨论LS- SVM 构造FLANN 的基本原理和具体算法, 给出了非线性补偿器的数学模型. 与常规BP 迭代算法构造的FLANN 比较, 该方法构造的FLANN 补偿器具有如下优点: ① 利用LS- SVM 将迭代逼近问题转化为直接求解多元线性方程, 因此具有更快的速度; ② 整个训练过程中有且仅有一个全局极值点, 确定了所构造FLANN 补偿器的唯一性, 提高了补偿精度. 最后以P-t Rh30- P-t Rh6 热电偶( B 型) 为例进行非线性校正实验, 结果验证了上述结论.

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明:该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。

为了解决最小二乘支持向量机对于选择核函数盲目性的问题，将核度量标准核极化和多核学习引入最小二乘支持向量机中，提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数，再根据多核学习原理组合多核函数，然后，建立多核最小二乘支持向量机模型，并进行模型的学习训练和预测。UCI数据上的试验结果表明，所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。

针对最小二乘支持向量机参数选取的问题，提出一种基于十折法的参数选取方法。将数据平均分成十组，采用一组作为训练特征，其它作为测试组，规定参数的可能范围，然后选取平方差最小的作为参数的取值。经实验证明结果令人满意，提出的方法是可行的。

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限，提出了基于改进聚合经验模态分解熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解，得到一系列窄带本征模态函数；然后对原信号和本征模态函数分别计算排列熵，组成高维特征向量；最后，将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明：该方法针对高速列车轮对轴承故障实现了较高的识别率，验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。