基于生物地理学智能优化支持向量机算法的动平衡检测控制方法

摘要

本发明公开了一种基于生物地理学智能优化支持向量机算法的动平衡检测控制方法。本发明包括以下步骤：1）采集在线数据；2）输入离线数据；3）设定模型精度需求；4）数据预处理；5）判断是否存在动平衡系统模型；6）判断系统不平衡量是否超过阈值；7）带卡尔曼滤波的生物地理学智能优化支持向量机算法；8）动平衡系统模型；9）动平衡调整。本发明根据动平衡系统小样本和非线性的特点采用支持向量机算法进行系统建模，并且利用生物地理学智能优化算法对支持向量机算法的惩罚因子和核函数参数进行寻优，另外考虑到动平衡系统现场的噪声干扰，本发明还采用卡尔曼滤波增强了整体算法的鲁棒性和精确性，可实现对动平衡系统的高精度检测控制。

主权项

基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，包括以下步骤：（1.1），采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；（1.2），输入离线数据，即输入动平衡系统的历史测量数据；（1.3），设定模型精度需求，即设定动平衡系统建模的模型精度需求；（1.4），数据预处理，即对在线数据，离线数据和模型精度需求数据进行错误数据和冗余数据的数据清除以及数据集成工作；（1.5），判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤（1.6），否则，转步骤（1.7）；（1.6），判断系统不平衡量是否超过阈值，若是，转步骤（1.7），否则，转步骤（1.8）；（1.7），通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型，具体步骤为：（2.1），初始化生物地理学智能优化算法BBO的参数；（2.2），初始化支持向量机基本参数；（2.3），随机初始化每个栖息地的适应度向量；（2.4），将输入数据集归一化，作为支持向量机的训练集；（2.5），将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机；（2.6），计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI；（2.7），经过卡尔曼滤波，计算每个栖息地的HSI估计值；（2.8），将每个栖息地按照其HSI估计值进行排序；（2.9），计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ；（2.10），根据λ和μ确定物种迁移；（2.11），计算每个栖息地的变异率，进行物种变异操作；（2.12），通过支持向量机重新计算栖息地的HSI值，保存全局最优解；（2.13），判断是否满足终止条件，若是，继续以下步骤，否则，转步骤（2.5）；（2.14），输出支持向量机模型的最优参数，建模完成；（1.8），将步骤（1.4）预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号；（1.9），将步骤（1.8）得到的动平衡控制信号输入动平衡系统进行动平衡调整。