从时频分析角度出发，探讨利用小波分析与LSSVM模型作滑坡变形预测。其步骤为利用小波变换把变形时间序列分解成具有不同频率特征的分量，再对重构后的近似序列和细节序列分别利用LSSVM进行预测并将结果融合。实例结果表明，基于小波分析与LSSVM的滑坡变形预测方法预测精度高于GM（1，1）、AR和单一的LSSVM方法。

针对流量测量中流速分布不规则对气体流量测量精度的影响,提出了一种多传感器气体质量流量测量新方法。该方法基于均速管测量原理,在测量管道中按照对数线性法分布了4个热式气体流量传感器,采集不同特征位置的流量。通过流量标定实验,获得不同质量流量下测量管道内4个传感器的电压。然后利用GA和LS-SVM算法,将传感器电压和气体的质量流量作为训练集,建立了气体流量模型。实际测量中由4个传感器的电压计算出气体的质量流量。不规则流场的流量实验结果表明该方法是有效的。

基于被动监测技术的局限性,搭建了损伤主动监测系统,对监测信号进行了功率谱密度最大值（PSM）特征提取,并提出了一种基于最小二乘支持向量机（LS-SVM）的损伤检测方法。采用该方法,对压电智能复合材料层板进行了损伤定位的研究,并与改进的BP网络进行了对比,结果表明：在相同性能指标下,LS-SVM有比BP网络更高的损伤定位精度及更强的泛化能力。LS-SVM与主动监测技术的融合,为结构实现在线实时准确监测提供了一种新途径。

本文针对具有小样本数据的N型热电偶在应用中存在的问题，提出了一种基于最小二乘支持向量机对热电偶进行非线性校正的方法，并与以往采用的BP网络、RBF网络和ANFIS校正方法进行了比较。结果表明，采用最小二乘支持向量机的校正精度高于以上3种校正方法；同时以阳极焙烧过程中料箱温度为对象进行了仿真和实际应用研究，取得了满意的结果。

提出一种基于最小二乘支持向量机( LS- SVM) 构造函数链接型神经网络( FLANN) 的方法, 并根据正反馈原理将该FLANN 应用於热电偶传感器非线性校正. 讨论LS- SVM 构造FLANN 的基本原理和具体算法, 给出了非线性补偿器的数学模型. 与常规BP 迭代算法构造的FLANN 比较, 该方法构造的FLANN 补偿器具有如下优点: ① 利用LS- SVM 将迭代逼近问题转化为直接求解多元线性方程, 因此具有更快的速度; ② 整个训练过程中有且仅有一个全局极值点, 确定了所构造FLANN 补偿器的唯一性, 提高了补偿精度. 最后以P-t Rh30- P-t Rh6 热电偶( B 型) 为例进行非线性校正实验, 结果验证了上述结论.

针对标准支持向量机建模时间长的缺点，为了城市用水量准确预测，需建立有效的预测模型。采用的最小二乘支持向量机基于结构风险最小化，并在支持向量机的基础上，将求解二次规划问题转化线性方程组，采用径向基核函数，使最小二乘支持向量机模型的待定参数比标准支持向量机少，可大大加快建模速度，同时还采用了人工免疫系统的自适应动态克隆选择算法，在寻优过程中能够准确、快速地搜索最小二乘支持向量机的最优参数。把上述模型用于城市日用水量预测，具有学习速度快，也具有良好的非线性建模和泛化能力，而且预测精度较高。

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明:该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。

针对滚动轴承运行过程中故障难以识别的问题,提出一种多特征提取与改进粒子群算法(improved particle swarm optimization,简称IPSO)优化最小二乘支持向量机的诊断方法。首先用小波包变换对振动信号消噪、分解,提取频域特征;然后结合时域特征等参数,用核主元分析法对多维特征空间进行优选和降维,获得典型故障的敏感信号;最后用改进的粒子群优化最小二乘支持向量机的核参数和惩罚因子解决在寻优中陷入边缘局部最优、收敛精度差的问题,提升故障诊断的识别率。实验结果表明该方法有效提取故障特征,提高了故障识别的准确率和实时性,是一种可靠的轴承故障诊断方法。

针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）排列熵和最小二乘支持向量机（least square support vector machine,LS-SVM）的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量（intrinsic mode functions,IMF）,并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明：该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法的...

针对调节阀物理模型存在严重的非线性、时变性及参数不确定性的问题，提出了一种基于最小二乘支持向量机（Least Squares Support VectorMachine，LS-SVM）的调节阀流量及压力预测模型。根据调节阀的物理模型，分析了能够表征调节阀运行状态的相关参数，主要有阀前压力、阀后压力、开度、流量、负载压力、温度等；设计了调节阀数据采集实验系统，通过全排列组合试验分别确定了流量和压力预测时LS-SVM模型的最佳输入特征向量。实验结果表明，模型能够以较理想的精度预测流量及压力的输出，可为调节阀自动控制或故障诊断系统的设计提供指导。