基于支持向量区间回归的供热负荷概率预报

提出了一种基于支持向量区间回归(SVIR)的概率预报方法,克服了点预报法无法确定预报结果波动范围的缺点。该方法利用支持向量回归确定SVIR模型的初始参数,再利用两个径向基网络分别辨识SVIR的上限和下限,可以同时给出置信区间和点预报。最后,以某热力站实际供热负荷数据与BP神经网络点预报方法进行比较,验证了该方法的有效性和实用性。     

多输出支持向量回归机在依赖时间的变分不等式中的应用

支持向量回归技术广泛用于解决单输出回归问题,但现实中存在更多的是多输出的情形。为更好地解决多输出回归问题,在单输出支持向量回归机的基础上,通过并行运算推广得到一种多输出支持向量回归机,并在动态交通均衡问题的背景下,求解依赖时间的变分不等式问题。实验表明与单输出支持向量回归算法和线性插值比较,多输出支持向量回归算法具有更快的计算速度和更好的拟合效果。文中给出的多输出支持向量回归机不仅推进了多输出支持向量回归机的研究,而且为解决依赖时间的变分不等式问题提供了一种新思路。     

基于支持向量回归的一维频率域航空电磁反演

为了提高一维频率域航空电磁的反演精度,将机器学习方法应用于航空电磁数据的反演中,提出基于多输出最小二乘支持向量回归（MLS-SVR）的一维频率域航空电磁端到端反演方法. 对不同地电模型进行正演计算,获得样本数据集;搭建MLS-SVR模型框架,输入端为归一化后的垂直磁场分量,输出端为地电模型参数;利用网格寻优和K-折交叉验证进行调参;利用MLS-SVR模型进行反演. 试验结果表明,利用MLS-SVR可以准确地反演出各地电模型参数,与单输出支持向量回归(S-SVR)和多输出支持向量回归（M-SVR）算法相比,该反演方法的精度更高,实测数据反演表明了该方法的有效性.     

用于高炉铁水质量预报的改进支持向量回归

针对建模数据中包含噪声和离群点会降低相应软测量模型准确性的问题,提出一种结合2层变量空间分析的预处理方法.用多变量修剪法在原始变量空间预处理;并提出支持向量聚类（SVC）的预处理方法,将建模数据映射到高维特征空间,构造一超球体来排除离群点.SVC无需像传统预处理方法假设数据服从正态或近似正态分布,更符合实际的高炉过程.预处理后的数据再用支持向量回归建立软测量模型.在一工业高炉铁水硅含量的建模和预报实验结果表明,所提出方法能够更有效排除离群点,且提高了支持向量回归模型的鲁棒性和预报性能.     

基于遗传算法的SVM冰凌预报模型研究

针对传统支持向量回归参数大多采用经验率定的情况,提出了一种基于遗传算法优化支持向量回归参数的冰凌预报模型.运用MATLAB软件进行建模,并将其应用于黄河宁蒙段三湖河口封、开河日期的预报.结果表明,经过优化的支持向量回归模型泛化能力强,预报效果优于传统支持向量回归模型.     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

广义支持向量机观测器的设计与仿真

提出了广义支持向量机观测器的概念并介绍了其设计方法。该观测器采用支持向量机回归算法拟合过程变量之间的非线性关系,由过程输入和除被观测输出之外的其它过程输出进行驱动,可用于实现过程传感器的故障检测和容错控制。多变量化工过程仿真实验表明,广义支持向量机观测器克服了神经网络类方法在应用时所存在的过学习、易陷入局部极小和结构选择困难等缺陷,并且达到了很高的拟合精度。     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

二尺度最小二乘小波支持向量回归

基于小波多尺度理论和最小二乘支持向量机的优越性能,提出了多尺度最小二乘小波支持向量回归,弥补了普通最小二乘小波支持向量回归在单尺度小波空间上对函数进行逼近的不足,使用多尺度上的小波线性组合来逼近L^2（R^d）空间上的任意函数,真正意义上实现了小波分解和最小二乘支持向量机的最佳结合,更有效地继承了小波多尺度学习算法和最小二乘支持向量机的优点,既能达到有效精度而且还计算简便。本文以两尺度为例,通过仿真实验说明了所提算法的有效性。     

基于偏最小二乘支持向量机回归区域物流量预测

研究采用偏最小二乘支持向量机回归模型进行区域物流量预测问题.针对普通最小二乘预测所存在的问题和物流系统样本量少的具体状况,提出偏最小二乘支持向量机回归区域物流量预测方法,采用主成分分析法提取影响物流量因素的新综合变量,建立以新综合变量为输入,物流量为输出的支持向量机回归非线性预测模型,在廊坊市物流量预测中进行仿真试验,证明了该方法的可行性与正确性.     

应用双支持向量回归机的风速预测模型

风速对风电场功率输出起着十分重要的作用,但由于风速具有很强的随机性,使得对其预测的精度不高。针对上述问题,以双支持向量回归机为主要工具,结合风电场的实测风速数据建立了风速预测模型;给出了模型的特征以及相关参数的,并与标准支持向量回归机的预测结果进行了比较。实验结果表明:双支持向量回归机在预测精度上优于标准支持向量回归机,为风电场的风速预测提供了参考。     

基于最小二乘支持向量机的刀具磨损预报建模

最小二乘支持向量机是支持向量机的一种扩展,已在模式识别和函数逼近等领域得到了成功应用.将最小二乘支持向量机应用于刀具磨损的预报,在网格搜索的基础上采用交叉验证法确定模型的参数,并同偏最小二乘回归的建模结果进行了比较.     

水火弯板局部变形预测建模方法比较

在开发的水火弯板成形过程的热一机分析有限元模型的基础上,就有限元计算结果和实验值进行了对比验证,提出了支持向量机回归模型应用于水火弯板局部变形预测．将数值模拟的计算数据,用传统回归方法、神经网络和支持向量回归技术进行了变形预测的建模和预报对比,结果表明：支持向量回归的预报准确率较高,预测结果稳健性方面也有一定的优势,鉴于支持向量机算法具有较好的建模能力和预报能力,可望在水火弯板变形预测领域得到实际应用。     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于多种神经网络的水沙预测模型研究

为解决水沙变化机理中水库泥沙难以预测的问题,采用支持向量回归（support vector regression, SVR)、遗传算法-支持向量回归（genetic algorithm-support vector regression, GA-SVR）、粒子群优化-支持向量回归（particle swarmoptimization-supportvectorregression,PSO-SVR）、最小二乘支持向量回归（leastsquaressupportvector regression, LSSVR)等模型进行研究,并将模型应用于黑孜水库水文站的年径流量及年输沙量序列的预测分析。数据资料序列划分为85%的训练数据和15%的测试数据,使用均方根误差、相关系数、平均绝对百分比误差、纳什系数这4项指标来评价模型的精度,得到的结果可以为水库的短期调度和长期管理提供帮助。结果表明：LSSVR算法是4种模型中最优的,其误差最小,精度最高;构建的模型可为其他地区的水沙预测提供参考。     

基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.     

SVM方法在武器装备综合论证中的应用

针对现有武器装备综合论证存在的不足，引入了基于支持向量机（support vecto rmachine，SVM）的多属性决策方法。分析了多属性决策支持向量机方法的机理；建立了多属性决策支持向量机方法的价值函数决策模型和方案序关系决策模型，用以训练支持向量机；提出了基于支持向量回归和分类的多属性决策支持向量机实现算法。最后给出了一个算例。     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

基于误差修正码的支持向量机大类别分类方法

针对传统的支持向量机大类别分类算法存在的不足，结合支持向量机快速准确的分类性能和误差修正输出码误差修正的特点，提出一种基于误差修正输出码的支持向量机大类别分类方法，分析了误差修正输出码误差修正的原理，提出4种最优误差修正输出码编码方法．并将该方法与传统的支持向量机大类别分类方法“一对多”算法相比较，通过实验研究表明，该方法能有效的提高支持向量机大类别分类器的分类精度，具有良好的分类品质指标。     

基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。