摘要：考虑随机因素的影响,对叶片固有振动特性进行概率分析,并判断其对随机参数的敏感性是叶片动强度可靠性设计的基础。以某试验台用汽轮机等直叶片为研究对象,考虑几何参数(长度、宽度、厚度)、材料参数(弹性模量,密度)和转速的随机性,运用统计学习理论,将确定性有限元、径向基函数(RBF)神经网络和MonteCarlo模拟法相结合,得到了叶片静(动)频率的统计参数和累积分布函数。采用概率敏感性分析方法,定量地判断出叶片静、动频率对随机输入变量的敏感性,分析结果对工程实际具有一定的指导意义。此外,还将计算结果与响应面方法进行了比较,得出该方法较响应面方法更加快捷,可作为叶片动强度可靠性分析的可选方法。

摘要：针对测试人体脂肪含量相对比较复杂的问题,文章根据日常测试的包含14个特征值的样本数据,设计了一种基于统计学习理论的支持向量机预测方法。通过四种常用核函数和监测均方根误差与平方相关系数两项关键指标,对比分析实验表明利用支持向量机预测人体的脂肪含量具有很好的效果。

摘要：针对传统统计模式识别理论中基于大数定理的假设,介绍了统计学习理论和以该理论为基础的支持向量机模式识别方法。指出了以结构风险最小化为原则的分类器设计方法,即同时兼顾分类能力最优化和经验风险最小化。支持向量机是统计学习理论的VC维理论和结构风险最小原理的具体实现,他通过非线性变换将输入空间变换到一个高维空间,然后在这个新空间中求取最优线性分类面。

摘要：将统计学习理论中的经验概率一致收敛特性应用到鲁棒控制中,针对具有实参数不确定性的控制系统,研究了概率鲁棒镇定控制器的设计问题.给出了设计概率鲁棒镇定控制器的前提条件,采用基于经验概率一致收敛特性的随机化算法设计概率鲁棒镇定控制器的具体步骤和方法.研究表明,与传统方法相比,在概率意义下采用随机化算法设计概率鲁棒镇定控制器具有设计方法简单、计算量小的优点.计算实例表明了该算法的有效性.

摘要：化工产品终端质量的测量往往具有较大的延迟,且相应的测量仪价格昂贵,易发生故障。基于统计学习理论和Kernel方法,提出一种自适应Kernel学习(AKL)网络,用于TennesseeEastman(TE)过程中产品组分仪的建模和故障监测。给出了AKL网络在两种情况下的递推算法,只需极少量的学习样本,即可建立软组分仪的动态模型。且AKL网络可以监测故障的发生,通过模型的自动切换,确保在各种工况下,所得到的软组分仪均具有足够的精度。

摘要：在分析学生学习行为的基础上，文章提出了支持向量机的学习评估系统的设计方案并进行了模拟，结果显示该系统能够有效地实现对学生的学习指导，同时给教师的教学提供了一个有力的教学辅助工具。

摘要：分析了电力系统负荷预测目前采用方法的不足,并根据电网负荷的特点提出一种基于模糊支持向量的核回归方法,同时提出多参数同步优化策略,增强了该方法的实用性和有效性.从理论上分析了小样本条件下,该方法可以有效避免过学习的原因,它不需设计网络结构,降低了对实验人员经验的依赖程度.与神经网络法进行对比实验,实验结果表明了该方法的优越性和适用性,并具有较好的实用价值和应用前景.

摘要：多源数据学习在大数据时代具有极其重要的意义.目前,多源数据学习算法研究远远超前于多源数据学习理论研究,经典的机器学习理论难以应用于多源数据学习,更难以提供多源数据学习算法在实际应用中的理论保障.从学习的最终目的是知识这一认知切入点出发,对人类学习的认知机理、机器学习的三大经典理论(计算学习理论、统计学习理论和概率图理论)以及多源数据学习算法设计这3个方面的研究进展进行总结,最后给出未来研究方向的思考.

摘要：支持向量机是20世纪60年代开始研究,在90年代得到快速发展的机器学习技术。为了系统地归纳统计学习理论与支持向量机的基本思想和算法,总结目前该领域的最新研究成果。通过对7种多分类支持向量机训练算法进行深入分析,得出其各算法的优、缺点,还归纳了支持向量机在故障预测和识别、电力系统等方面的应用,特别在电力系统暂态稳定评估与分析、电机故障诊断、高压输电线路故障诊断和定位、双凸极永磁发电机非线性模型、火焰监测以及电力系统负荷预测等方面的成功应用。研究表明,支持向量机克服了传统神经网络算法的局部最优、收敛难以控制、结构设计困难等优点。

摘要：提出一种统一的最小二乘kernel学习框架,将自适应kernel学习(AKL)网络辨识器推广为分类器,用于化工过程的故障诊断。推导了AKL分类器在向后缩减和向前增长两种情况下的递推算法,实现了对记忆样本长度的控制。该分类器无需利用历史故障数据,即可进行在线学习并建立过程诊断模型。通过对Tennessee Eastman(TE)过程的5种典型故障的诊断分析,验证了该方法的有效性。