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。

针对标准支持向量机建模时间长的缺点，为了城市用水量准确预测，需建立有效的预测模型。采用的最小二乘支持向量机基于结构风险最小化，并在支持向量机的基础上，将求解二次规划问题转化线性方程组，采用径向基核函数，使最小二乘支持向量机模型的待定参数比标准支持向量机少，可大大加快建模速度，同时还采用了人工免疫系统的自适应动态克隆选择算法，在寻优过程中能够准确、快速地搜索最小二乘支持向量机的最优参数。把上述模型用于城市日用水量预测，具有学习速度快，也具有良好的非线性建模和泛化能力，而且预测精度较高。

高精度液压推土机变速箱故障预测方法对提高液压推土机的工作效率和可靠性具有重要意义。基于国内外研究现状,提出了一种基于最小二乘支持向量机的推土机变速箱故障预测方法,实现了对液压推土机变速箱供油故障、齿轮磨损进行识别。研究发现LS-SVM训练的故障预测模型对推土机变速箱故障识别的准确率为98.5%。研究结果可为液压推土机变速箱视情维修提供参考。

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。

为减小数控机床热误差对加工精度的影响,实现对热误差的补偿控制,提出一种基于遗传算法(GA)优化的最小二乘支持向量机(LSSVM)数控机床热误差建模方法。利用遗传算法优化选择LSSVM惩罚因子C和核函数参数σ2,构建针对某卧式加工中心主轴热误差的GA-LSSVM模型。根据该模型得到热误差的模拟值和测量值对比曲线,通过分析发现GA-LSSVM模型性能较好,模型残差较小,预测精度较高。建立热误差LSSVM模型和传统BP模型并与GA-LSSVM模型作对比,结果表明:GA-LSSVM模型绝对残差δ及均方误差MSE均为最小,模型决定系数R2最大,验证了GA-LSSVM建模方法的有效性。

针对滚动轴承运行过程中故障难以识别的问题,提出一种多特征提取与改进粒子群算法(improved particle swarm optimization,简称IPSO)优化最小二乘支持向量机的诊断方法。首先用小波包变换对振动信号消噪、分解,提取频域特征;然后结合时域特征等参数,用核主元分析法对多维特征空间进行优选和降维,获得典型故障的敏感信号;最后用改进的粒子群优化最小二乘支持向量机的核参数和惩罚因子解决在寻优中陷入边缘局部最优、收敛精度差的问题,提升故障诊断的识别率。实验结果表明该方法有效提取故障特征,提高了故障识别的准确率和实时性,是一种可靠的轴承故障诊断方法。

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。

在机械设备盲信号处理和故障诊断中,信号的非高斯性至关重要,而峭度是非高斯性的自然度量指标,它反映了机械信号信息的动态变化特征。基于此提出了基于峭度的ICA特征提取和故障诊断方法,首先提取机械设备多通道观测信号的峭度值（或标准峭度,或峭度绝对值,或峭度平方）,并依据观测通道顺序将峭度值组成低维ICA特征向量,进而利用最小二乘支持向量机进行机械设备的模式判别和故障诊断。试验表明：该方法的故障识别率基本上达到80%以上,而且相比标准峭度和峭度平方准则,基于峭度绝对值准则方法的模式识别率更高。