基于支持向量回归机的车辆排气噪声品质预测分析

通过对比较法测试得到34种车辆噪声的满意度评价,应用支持向量回归机建立车辆噪声声音品质之间的预测模型,对排气噪声的满意度进行了预测,在相同的训练与测试样本集下,与多元线性回归模型预测结果进行了对比。结果表明:向量回归机回归模型预测值更接近实测值,具有更小的预测误差,更强的泛化能力。采用向量回归机模型构建的车辆排气噪声主观评价预测模型可以获得理想的样本满意度测试结果,平均预测误差不超过8%,最大只有7.36%,小于2%的样本是4个,其余样本介于3%～6%范围内,比较接近。     

不同机器学习模型对混凝土坝位移预测性能的影响

针对机器学习模型的合理选择问题,基于Gauss、Linear和Sigmoid核函数,对某拱坝径向位移利用支持向量机、关联向量机、极限学习机和传统多元线性回归法分别建立预测模型,并对比分析拟合均方差、复相关系数、最大绝对误差和预测置信带宽等模型性能评价指标.结果 表明,机器学习模型的性能整体优于多元线性回归模型,但受核函...     

基于随机森林算法的大坝应力预测模型的构建及其应用

针对传统统计模型在大坝应力监测时预测精度不高且容易出现过度拟合现象,将随机森林算法引入大坝应力预测中,构建了基于随机森林算法的大坝应力预测模型,对某混凝土重力坝的应力监测数据进行处理、分析和预测,并以平均绝对误差、平均误差平方和及相对误差平方和为指标与多元线性回归模型和神经网络模型进行对比。结果表明,当预测范围在训练集样本范围内时,基于随机森林算法的大坝应力预测模型的预测精度较高,稳定性较好,为大坝应力预测提供了一种新途径。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于GMM-LSSVR模型的脱硫出口SO2浓度预测方法研究

采用燃煤机组脱硫系统原始非高斯数据建立的单一出口SO₂质量浓度预测模型精度较低，泛化能力较差，针对该问题提出一种基于高斯混合模型-支持向量回归(Gaussian Mixture Model-Least Squares Support Vector Regression, GMM-LSSVR)的建模方法。采用高斯混合模型(GMM)将训练集数据聚类为多个高斯数据集，对每个对应的子集建立独立的最小二乘支持向量回归机(LSSVR)训练模型。在此基础上，估计测试集数据属于每个种群的概率并对测试集进行聚类，将每个子集输入到对应的LSSVR模型中完成预测。现场数据实验表明：采用GMM聚类后每个子集的概率密度不规则波动幅度减小，数据高斯性增强；GMM-LSSVR建模方法测试集均方根误差(RMSE)、平均绝对误差(MAE)和可决定系数(R²)较单模型LSSVR方法有较大改善，具有更好的预测精度和泛化性能。     

基于约束支持向量回归的电站锅炉燃烧优化建模

为建立一个有效的电站锅炉效率与NOx排放浓度预测模型,在最小二乘支持向量回归算法（Least Squares Support Vector Regression,LSSVR）基础上进行改进,提出了约束支持向量回归算法（Constraint Support Vector Regression,CSVR）,通过优化支持向量的选择策略,来增强算法泛化能力和对不良数据的抵御能力。初始数据经主成分分析(Principal Component Analysis,PCA)后,输入基于CSVR算法的锅炉燃烧模型进行训练,并将建模结果与LSSVR算法和BP神经网络算法进行了比较。结果表明：使用PCA对数据预处理后,输入变量维数由五维降到三维,简化了模型结构,同时又保留了输入数据的主要特征。在相当的平均预测误差水平上,CSVR算法选用支持向量数目分别只有83个和117个,远少于LSSVR算法选用的900个;CSVR的最大预测相对误差只有3%,远低于LSSVR的25.8%,BP算法介于两者之间。     

垃圾焚烧发电污染物排放过程建模与优化

提出了一种融入灰色关联度分析的最小二乘支持向量机建模方法,建立了垃圾焚烧发电污染物排放过程模型。验证结果表明,模型预测值与实际值的最大相对误差为7.8%,模型拟合平均绝对百分误差最大为4.67%,外推平均绝对百分误差最大为3.98%,模型能够较好地模拟垃圾焚烧过程中污染物排放过程特性。在此基础上,拟合设计了垃圾焚烧过程排放烟气污染物多目标优化函数,以二噁英排放值为主要评价指标,从Pareto最优解集合中选取出二噁英排放值较低的最优解子集。结果表明,优化计算值明显低于实际值,验证了设计方法的可行性和有效性。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

基于支持向量机的柴油机排气阀智能故障诊断研究

排气阀是柴油机的重要部件之一，其故障诊断一直受到研究者的关注，传统的学习机器在小样本学习时不具有良好的泛化能力，其现场效果与实验室精度差距较大。建立在统计学习理论基础之上的支持向量机具有和样本数相适应的最优泛化能力。利用支持向量机适合处理高维数据以及具有良好泛化能力的特点，建立了排气阀故障诊断模型，将排气阀振动信号经过小波包分解后提取的特征指标在小样本时进行支持向量机学习，通过不同核函数的支持向量机和其它智能方法准确率的比较证明：支持向量机较其它智能方法有较大的优越性；准确率对核函数有一定的敏感性；在常用的3种核函数中，线性核的诊断准确率达到了100％，是柴油机排气阀智能故障诊断支持向量机的最佳核函数。