2014201222.李亚文.作业二资料.docxVIP

应用一 问题：在支持向量机回归算法基础上构造多输出支持向量机，以实现健康度的多步预测，并提出一种和声蚁群算法优化支持向量机参数，解决了蚁群算法易陷入局部最优的问题；然后，根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法一支持向量机(HSACA—SVM)故障预测模型；最后，通过某装备电源系统监测数据验证了该模型的有效性。实例验证表明该模型能够较好地实现对健康度下降趋势的预测，预测准确率达到97％，进而实现故障预测。 模型： 2.1 HSACA算法的具体思想： 1)随机将膨只蚂蚁放在n个点上，每个蚂蚁按照路线选择算子选择路线，将每只蚂蚁走过的路线当作一个和声粒子，那么肘只蚂蚁的路线构成一个包含肘个和声粒子的和声记忆库； 2)根据和声算子生成新的和声粒子，并通过和声扰动算子对新的和声粒子进行扰动，更新和声记忆库，视为经优化后的蚂蚁路线，那么蚂蚁的路线可能就会发生改变，进而使其不陷入局部最优； 3)将新的路线按信息素计算模型计算每只蚂蚁的信息素，按照蚁群信息素更新模型更新蚁群信息素，进行迭代，直到满足停止条件。 2.2 基于HSACA的多输出SVM参数优化 基于HSACA算法的SVM参数优化利用和声算法提高了蚁群算法的全局搜索能力，具体步骤如下： 步骤1 选择目标函数。采用平均绝对误差M。衡量样本实测值与模型预测值问的偏差，由此得到模型目标函数： 其中：n为