提出一种最小二乘支持向量机的序贯最小分类分解算法。针对最小二乘支持向量机，通过对核函数的相关变换，将二阶的误差信息归结到优化方程的一阶信息中，从而简化运算过程。采用最优函数梯度二阶信息选择工作集，实现最小二乘支持向量机分解算法，提高了算法的收敛性。采用径向基核函数和交叉验证网格搜索的方法验证算法的分类准确性。实验结果表明，提出的分类算法应用于车型识别中，可以得到比其他分类方法更好的分类准确度。

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。

本文提出了一种使用最小支持向量机检测溢流阀故障信号的方法。通过提取溢流阀振动时的正常信号和故障信号,在此基础上进行了AR建模,并由建立的模型获取了信号的AR参数,之后利用这些参数作为最小支持向量机的输入进行故障辨识,取得了令人满意的结果。

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。

圆度误差作为重要的几何误差指标直接影响机械零部件装配精度和使用寿命,面向智能制造的在线测量对圆度评定方法的快速性、准确性提出了更高的要求。针对在线圆度误差评定,结合磨加工主动量仪提出一种基于最小二乘支持向量机(LSSVM)的最小区域评定方法。LSSVM采用误差的二范数和等式约束代替了传统支持向量机中的误差和不等式约束,将二次规划问题转化为求解线性方程,降低了计算的复杂度,有效提高了求解速度。通过对比单纯形算法、遗传算法、

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。

针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）排列熵和最小二乘支持向量机（least square support vector machine,LS-SVM）的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量（intrinsic mode functions,IMF）,并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明：该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法...

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。

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。