摘要:针对电机故障诊断问题，尤其电机轴承方面的诊断，提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号，经过小波降噪后的原始故障信号会去掉一部分的干扰，再分解得到原始信号的一系列PF分量，接着使用相关性分析法选择出有效的PF分量进行信号重构，重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵，直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟，选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验，通过仿真实验验证该方法的故障诊断准确率高达99.2％，与PSO-SVM和SVM故障诊断模型进行比较分析，实验证明提出来的方案有着更适合的故障识别能力，对电机故障诊断有着很好的适应性和发展性。

摘要:将上海交易所和深证交易所发行的30只违约债券和468只未违约债券作为研究样本，将债券是否违约设定为一个二分类问题进行识别分析，针对该问题构建了基于SVM的ADmR-AdaboostSVM分类模型；从企业资本结构、盈利能力、现金流量、偿债能力4个评估因素中筛选16个预警指标，运用ADASYN方法进行过采样合成新样本点，将特征提取mRMR方法引入债券违约领域，得出长期负债率、资本收益率、成本费用利润率以及股权比例这4个变量作为债券违约的最终预警指标，在此基础上运用AdaboostSVM模型进行风险识别。研究结果表明：在建模过程中克服了样本非均衡化问题使得分类精度显著提高，同时通过解决高维数据冗余问题，识别违约债券的准确率进一步提高，反复验证表明该模型具有较强的稳健性和有效性，具有一定的应用价值。

摘要:针对两点边值问题难以得到解析解，提出了利用二尺度小波核最小二乘支持向量机方法求两点边值问题的近似解；首先将两点边值问题转换为带有两个约束条件的目标优化问题，再利用二尺度小波核函数的组合构造满足边界条件的近似解；其中第一个约束条件用第一尺度小波核函数逼近，第二个约束条件是对第一次逼近的误差函数用第二尺度小波核函数再次逼近，可提高近似解逼近精度；最后将目标优化问题转化为回归问题，进而利用最小二乘支持向量机方法求解回归系数，系数求解过程中核心是将参数回归问题转化为二次规划问题，可避免复杂的微分运算；数值实验表明：方法求解两点边值问题有较高的精度，计算量小，并且具有较好的稳定性，因此二尺度小波核最小二乘支持向量机方法求解两点边值问题的近似解是有效的，并且具有精度高、可微、表达式简单且形式固定等特点。

摘要:针对网络舆情的指标冗余和复杂度高不利于监管，提出了因子分析和SVM建立综合评价模型；首先利用因子分析将网络舆情的14个指标进行降维为3个公因子，其次在简化的指标体系中用遗传算法的5-折交叉优化SVM参数，建立遗传算法优化SVM的网络舆情危机预警模型，最后将两类的SVM改进为一对多算法对4种情况进行分类，得出网络舆情的预警；对2019年的10个网络舆情事件进行实证分析表明，低0.51%的误差预警充分说明了其可行性，达到了强化网络舆情的监管，而因子分析降低了指标体系的复杂性，遗传算法的5-折交叉提高了SVM分类器的学习能力，能更准确地预测训练集，并用一对多算法使得分类速度较快，对网络舆情的监管提供了帮助。

摘要:股票市场预测一直是金融市场分析中的热点和难点，一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题，将分形插值方法与机器学习算法相结合，提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点，然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳, 预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型，能较好地预测诸如股票市场指数等非平稳金融时间序列。

摘要:首先分别建立了持续法、灰色、支持向量机风功率预测模型，然后利用各个模型的预测误差建立自适应加权的组合预测模型；仿真结果表明：组合预测模型能够充分发挥各个模型的优势，有效提高预测精度。

摘要:结合混沌的相空间重构理论和LSSVM的优点，提出了一种基于混沌LSSVM风功率预测方法，利用误差评价函数形成反馈机制，通过误差反馈建立参数合理的风功率预测模型；通过对实际数据的仿真，结果表明所提出的混沌LSSVM预测模型有较好的非线性拟合能力，有较高的预测精度。

摘要:针对工件识别问题，提出了一种应用支持向量机（Support Vector Machine，SVM）与组合矩对工件进行识别的方法；通过对提取图像的Hu不变矩进行处理，形成利用组合矩进行工件识别的新方法；改进后的算法降低了特征维数，缩减了识别时间，提高了识别准确率；结合试验比较了两种方法的分类效果，其中提取Hu不变矩作为特征的识别率为82.3%，而采用组合矩作为特征的识别率高达94.1%，高于Hu不变矩作为特征的识别率.

摘要:风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大; 为提高预测精度，缩短预测时间，采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优，进而建立优化预测模型进行仿真；结果表明：优化的模型比RBF和LS-SVM具有更高的预测精度.