共查询到19条相似文献,搜索用时 390 毫秒
1.
支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原 相似文献
2.
3.
为优化支持向量机(Support Vector Machine,SVM)模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法(Firefly Algorithm,FA)对支持向量机主要参数(惩罚系数C、核函数参数g和不敏感损失系数ε)进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:(1)运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;(2) FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;(3) FA-SVM模型的预报效果优于BP神经网络模型。 相似文献
4.
5.
提高径流预报精度的关键因素是选取合适的预报模型和预报因子。选择支持向量机作为径流预报模型,针对支持向量机模型参数在应用中存在选取困难的缺点,在标准量子粒子群算法中加入早熟判定准则、高斯扰动和自适应权重,提出改进量子粒子群算法(IQPSO),并使用该算法实现支持向量机参数的自动优选。为了验证效果,分别采用PSO-SVM、QPSO-SVM和径向基神经网络模型预报作对比,并使用多种评价指标进行对比分析。结果表明,使用改进量子粒子群算法优化支持向量机(IQPSO-SVM)模型能够有效提高月径流预报精度。 相似文献
6.
《水资源开发与管理》2016,(1)
针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响。此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子。将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型。 相似文献
7.
采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。 相似文献
8.
9.
10.
水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。 相似文献
11.
摘要: 针对离心泵磨损机理错综复杂和高度非线性的特点,提出了基于最小二乘支持向量机(LSSVM)的离心泵磨损特性分析方法,通过对算法的实现,建立了离心泵的磨损特性分析和几何参数优化的智能模型,模拟得到复杂和非线性很强的离心泵的磨损特性关系,分析了磨损随轮叶片几何参数的变化规律。与神经网络和普通支持向量机进行了性能比较,参数优化选择的LSSVM磨损预测的平均相对误差只有0.005%,学习速度为12步,训练时间为1.1秒,学习速度和预测精度得到了很大的改善。为离心泵的磨损特性分析和离心泵的抗磨可靠性设计提供了一种可行的借鉴方法。 相似文献
12.
13.
基于支持向量机的水流挟沙力预测研究 总被引:8,自引:2,他引:6
本文阐述了支持向量机(SVM)的基本原理及特性,提出了基于SVM的水流挟沙力研究方法,并对30组高、中、低含沙量的水槽试验资料进行训练,训练值与实测值符合较好,再用训练好的SVM模型对4组试验数据进行了预测,预测结果与实测值相差较小。理论分析和实例结果验证了基于SVM的水流挟沙力研究方法比BP神经网络法具有更高的预测精度和可靠性。 相似文献
14.
基于KPCA-PSO-SVM的径流预测研究 总被引:1,自引:0,他引:1
为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。 相似文献
15.
基于LIB-SVM的公路软基沉降的预测研究 总被引:1,自引:0,他引:1
由于地基实际工后沉降与初始设计沉降往往存在很大差异,因此,需要通过分析现场实测沉降
资料预测后期沉降。为了进一步提高公路软基沉降预测的准确性,将LIB-SVM模型应用于地基沉降,
LIB-SVM通过交叉验证选取的最优参数组合克服了传统SVM模型参数选择的盲目性。根据实例,将
LIB-SVM模型预测值和指数模型预测值与现场量测值进行了对照。结果表明,LIB-SVM模型比指数
模型有较高的预测精度,该方法在沉降的实际预测中具有可行性。 相似文献
16.
运用时间序列分析理论,结合SPSS统计分析软件对贺兰县地下水位动态变化进行了模拟和预测。结果表明:研究区地下水位年际变化无明显上升或下降的趋势,这表明研究区地下水补径排条件近年来变化不大。受灌溉和降雨的影响,研究区地下水位变化主要表现为一年的显著周期。将时间序列分析方法应用于地下水位动态预测,可以了解地下水位的变化趋势和周期性。该法计算简单,所需资料较少,短期预测精度较高。但是在实际应用时,数据需要不断及时更新。同时由于没有考虑地下水流系统的动力学机制和未来突变情况,应用时受到了一定限制,还需进一步完善。 相似文献
17.
针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。 相似文献
18.