升降车随机载荷谱的获取,   中山古镇升降车出租, 中山古镇升降车, 中山升降车出租    基于改进v-SVR算法的预测模型支持向量机是一种以统计学习理论、VC维理论及结构风险最小化原理为基础上的机器学习方法。该方法具有坚实的理论基础，在处理小样本、非线性和高维模式识别问题中具有明显的优势，在一定程度上克服了“维数灾难”和“过学习”等问题。本节将支持向量机理论引入流动式升降车载荷谱的预测中。从v-SVR算法的改进、预测模型的建立、实测载荷谱的采集、预测模型参数优化（确定预测模型的四大参数、选取合适的优化算法）等角度确定优化后的改进v-SVR算法的预测模型，通过特征特征参数来预测升降车的工作循环次数，形成符合工程实际的当量载荷谱。

   1）预测模型的建立,  为获取符合工程实际的流动式升降车载荷谱，需将工程问题转化为可用v-SVR算法求解的预测模型。因此，根据现场采集的小样本实测载荷谱（由起重量、臂架工作长度、工作幅度、工作循环数组成），确定改进v-SVR算法预测模型的训练集：S为训练集；ix为输入参数，即载荷谱特征参数；iy为希望输出，其中i=1,2,…,nn为样本容量。由流动式升降车分级、起升载荷状态级别、整机工作级别，可知训练集的输入变量,321xxxx和输出变量y之间存在某一未知的联合概率。因此，原问题转化为在一组函数集中寻找一个最优函数，即决策函数，使得期望风险最小,  fR为期望风险；-不敏感损失函数。实际情况中，yxF很难确定，而传统算法多采用经验风险最小化（ERM）准则代替期望风险，即用经验风险来估计，经验风险.  当样本容量有限时，传统算法误差较大，无法达到经验风险和置信区间同时最小，为解决此问题，引进结构风险最小化（SRM）原则，结构风险，C为惩罚因子且C0，2w表示高维特征空间中所建立的线性回归函数的复杂性，非线性映射函数，w、b均为待求系数。

     支持向量机是一种基于核函数的模式识别技术，该技术通过核映射实现了数据空间、特征空间和类别空间的非线性变换。传统支持向量机使用单一核函数完成映射过程，但当数据样本规模较大、特征信息多样、映射后在新空间生成的数据不够平滑时，采用单一核函数对所有样本实现高维空间中的非线性变换存在较大的局限性，无法适应样本数据类型的多样性与数据结构的复杂性。根据核函数的性质，可将其分为局部核函数（如高斯径向基核函数、柯西核函数、逆多元二次核函数等）和全局核函数（如多项式核函数、样条核函数等），前者具有较强的非线性逼近能力，后者具有较强的泛化能力。针对上述问题，以“取长补短、优势互补”的组合策略为理念，根据核函数的构造原理，将不同性质的核函数进行融合。以常用的高斯径向基核函数（RBF）为基础，并选用典型的全局核函数—多项式核函数进行线性组合.  

    流动式升降车工作循环次数与升降车的类型、起重量、载荷状态级别、工作级别有关，而升降车的载荷状态级别直接影响载荷谱系数，进而影响载荷谱的分布，为更好的描述载荷谱的分布，提高预测精度，提出将载荷谱系数引入*b中，构建基于工况特征的决策函数为：pK为载荷谱系数。2）预测模型参数优化由改进v-SVR算法的预测模型可知，它包含四类参数：容错参数（C）、核参数（d）、权参数、幅度影响因子，而参数的选择直接影响了模型的复杂度、稳定性、泛化能力、预测速度与精度。常规的参数选择方法多以经验取值范围假定其中任意三种参数，再确定其余一种参数的最优解，运算时间较长、精度较低，容易出现欠学习和过学习的现象。为解决上述问题，提出采用混合算法（改进果蝇算法（IFOA）与外点惩罚函数法（SUMT）相组合）来优化预测模型的参数。改进果蝇算法用于解决四类参数同时搜索的问题，而收敛性较好的外点惩罚函数法提高了改进果蝇算法的稳定性。因此，混合算法即保证了稳定性又提高了计算精度。

     根据上述四类参数的性质及特点，选择4类不同性质的果蝇种群并行优化对应的参数，其中不同性质的种群具有不同的初始位置、不同的约束条件、不同的飞行距离，但种群选择方式和学习方式相同，从而确定四类参数的初选值，进而得到拉格朗日因子的初选值。在此基础上，利用反约束思想由v-SVR算法可知，支持向量机通过容错参数的选取来约束拉格朗日因子，而反约束是用拉格朗日因子控制容错参数的取值范围），进行参数的二次优化。以四类参数的初选值为二次优化的初始值，以拉格朗日因子的初选值反约束容错参数的取值范围，采用IFOA和SUMT双管齐下的策略，确定容错参数的最优值。在此基础上，利用IFOA，确定核参数，结合SUMT获得权参数、幅度影响因子，从而得到最终的优化结果。

      中山古镇升降车出租, 中山古镇升降车, 中山升降车出租 http://www.guangzhoudiaolanchechuzu.com/

   基于改进相关向量机的预测模型与传统的回归模拟算法、BP神经网络算法相比，支持向量机（SVM）具有出色的小样本、非线性特性，可较好的解决欠学习、过学习、维数灾难、局部最优等问题、预测精度高、鲁棒性好，但SVM的惩罚系数C难以确定且其核函数必须满足Mercer定理。为解决上述问题，相关向量机（RVM）应运而生。近年来，RVM作为一个全新的模式识别技术，其研究已成继SVM之后的又一个热点，提出了基于K折交叉和遗传算法的RVM核函数参数优化法，实现了电力变压器的故障诊断。但遗传算法存在编码、解码、选择、交叉、变异等复杂操作，且种群规模较大，训练时间较长。采用粒子群算法对RVM组合核函数中的相关参数进行优化，得到电力负荷预测结果，但粒子群算法在寻优过程的后期易陷入局部最小，从而影响算法的收敛性。 1）RVM理论对于给定的训练样本集，包括输入值Niix1和相应的目标值Niit1。RVM与SVM采用相同的预测式：t为目标值，即输出值T为对应的权值；Φx为核矩阵。引入噪声影响，则输入向量与目标值的关系变，为随机噪声，且服从均值为0，方差为2的正态分布。于是，RVM模型的概率公式可表示为：为独立随机变量，则整个样本集的似然函数为：未知目标值的条件概率为：2*t为未知目标值。若直接采用极大似然法求解，将会导致过拟合现象。为避免这一现象，设定超参n来约束权重，超参服从Gamma分布。权重受超参的约束，当∞iα时，0i，此时i对决策函数的构造无影响，与之对应的ix称之为非相关向量；当iα为有限值时，i为非0值，此时与之对应的ix称之为相关向量。tp按照贝叶斯定理进行展开得.  通过贝叶斯定理可知：TAxx为后验协方差。由于后检验概率,2tp难以通过分解计算的方式获得。因此，引入狄拉克（DiracDelta）函数),(2M2tp对其进行近似求解，其中M、2M为检验概率,(2tp的最优解。从而，均服从正态分布，因此，得到：2e为求解M和2M过程中，2的更新结果；ii为后验协方差矩阵对角线上的元素。2）核函数的构造与支持向量机类似，RVM也是一种基于核函数的模式识别技术，因此RVM中的核函数构造方式与v-SVR算法中核函数的构造方式相同。 3）自适应双层果蝇相关向量机（1）自适应步长果蝇相关向量机不同类型的核函数具有不同的性质，即使同一类型的核函数，选择不同的核参数也会影响核函数的性能。在以核函数为基础的模式识别技术中，核参数的选取直接影响模式识别的结果，其影响程度甚至超过对核函数的选择。为提高混合核函数下RVM的预63测性能，排除人为因素的影响，提出自适应步长的果蝇优化算法（AFOA）对RVM的混合核参数进行自动寻优。

   （2）自适应双层果蝇相关向量机自适应步长果蝇算法(AFOA)中，自适应步长ih的引入，既考虑了上一代果蝇种群最优味道浓度的判定值，又考虑了当前迭代次数。算法初期以较大的步长进行迭代，避免了种群个体过早陷入局部最优的现象，随着迭代次数的增加，kijh自适应的减小，加快了收敛速度。但在应用于RVM时，自适应步长kijh中附加参数和minh的选取缺乏经验公式及相应的依据，参数取值不当时，自适应步长果蝇相关向量机的训练误差将无法有效收敛。为解决上述为题，提出一种自适应双层果蝇改进算法对参数和minh进行选取。

  载荷谱检验及预测模型优劣性分析,  与随机载荷谱类似，以获得的当量载荷谱为基础，根据流动式升降车相应机型的起升高度曲线、额定起重量表及额定起重力矩表[165]，刻画符合工程实际的当量载荷谱。为分析预测模型的优劣性，以相对误差ER、均方根相对误差RM和拟合度RR为评价指标，对训练结果及预测结果进行评判。it为训练或预测结果的平均值。

   工程应用以在役QY130升降车为例，该升降车的原始特征，工作级别为A4，通过上述方法获取该升降车的随机载荷谱及当量载荷谱。 小样本实测载荷谱以小样本实测载荷谱中特征参数的获取方法为基础，通过跟踪记录为期30天中，在役QY130升降车的工作情况，从而获取特征参数（不同工况下的起重量Qm、臂架工作长度L、工作幅度S）的样本数据。

     起重量Qm为取值范围在[0~130t]内连续型变量，而臂架工作长度L及工作幅度S为离散型变量。当起重量Qm确定时，该升降车的工作状态（即工作长度和工作幅度）只能从所对应力的工作状态集中进行选取。例如，当实际起重量t87Qm时，此时t130t86Qm，升降车臂架结构可能出现的工作状态集合为：通过上述分析，结合实测载荷谱特征参数的样本数据，发现任意起重量下，与其对应的臂架工作长度及工作幅度的各工况数据均服从均匀分布。在此基础上，通过统计建立起重量与其工作循环次数（即发生次数）的关系，从而刻画小样本的实测载荷谱。

    随机载荷谱,  已知臂架工作长度及工作幅度均服从匀分布，对于与之对应的起重量，采用上述6种概率分布模型对小样本实测载荷谱特征参数中的起重量样本进行拟合，对于各分布函数的参数采用极大似然估计法进行求解。以AIC准则为理论指导，确定AIC指标，进而确定6种概率分布模型的拟合优度，从而得到用于刻画QY130升降车载荷谱特征参数中，起重量样本的最佳概率分布模型。除指数分布外，其余5种分布模型的拟合曲线与起重量数据原始分68布曲线的变化趋势基本一致，其中正态分布、两参数威布尔分布和三参数威布尔分布的拟合效果较好。三参数威布尔分布的AIC指标值最小，说明其拟合效果最好，即三参数威布尔分布W)52.0,71.68,064.2(为在役QY130升降车特征参数中起重量样本的最佳概率分布模型。 表分布函数参数取值模型中变量的个数K残差平方和RSS残差方差的极大似然估计2S以LHS法为基础，通过抽样获取一个检测周期内满足最佳概率分布的特征参数（起重量服从W)52.0,71.68,064.2(、臂架长度及工作幅度服从对应工况集合上的均匀分布，其概率为1/m，m为工况集合中元素的个数）的随机数样本。通过跟踪记录发现，该升降车的日平均起升次数为27次，检测周期（一年）内的工作天数为300天，因此可确定总起吊次数为8.1×103次，即特征参数的随机样本数为8.1×103个。

     结合该升降车起升高度曲线、额定起重量表、额定起重力矩表，刻画符合工程实际的随机特征参数和与之一一对应的工作循环次数，形成随机载荷谱，从而实现对实测载荷谱小样本的扩展。采集序号.  基于改进v-SVR算法的当量载荷谱获取以小样本实测载荷谱为基础，特征参数中的起重量及对应循环次数作为用于训练和预测的数据样本。其中，起重量为输入变量，循环次数为希望输出或预测结果。 小样本实测载荷谱有25组数据样本，随机选取20组数据样本作为训练集S，余下的5组样本作为测试集T。小样本实测载荷谱中，由于起重量下各数据样本的取值为一特定范围，因此需用不同的当量起重量代替对应的起重量范围。为考虑升降车工作载荷在时空上的随机性，以各起重量取值范围为基础，抽取100个该范围内的随机值，并取其平均值作为代表对应范围的当量起重量，例如当t5.4t8.1Qm时，用该范围内的100个随机值的平均值，即当量起重量t3.3Qm代表该范围，其对应的工作循环次数为n13，其余范围内的当量起重量获取方法与其类似，从而形成用于训练和预测的数据样本。在此基础上，利用混合算法（改进果蝇算法（IFOA）与外点惩罚函数法（SUMT）相结合）优化基于改进v-SVR算法的预测模型中的四类参数，以达到提高预测模型的预测精度及稳定性的效果。四类果蝇种群的规模PN1=PN2=PN3=PN4=30；最大迭代次数分别为MN1=200，MN2=300，MN3=MN4=100；四类参数的初始范围为，容错参数]、幅度影响因子，采用混合算法对上述四类参数进行优化，重复进行20次，得到了20组四类参数取值结果的平均值和标准差。以四类参数二次优化后的结果为基础，利用训练集S对基于改进v-SVR算法的预测模型进行训练，用测试集T验证预测模型的有效性。训练结果。 采用基于改进v-SVR算法的预测模型得到起重量数据样本的预测结果与真实值之间的变化趋势具有一致性，可知，训练集和测试集的均方根误差分别为0.13058和0.03448，拟合度分别为0.97296和0.99385，二者的拟合度均大于0.97，表明所建立的基于改进v-SVR算法的预测模型具有较好的泛化能力。

   中山古镇升降车出租, 中山古镇升降车, 中山升降车出租