基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

支持向量机在广义预测控制中的应用

在推导了广义预测控制算法以及支持向量机算法的基础上,把两者结合起来,将支持向量机的系统辨识功能应用于广义预测控制算法中,提出了支持向量机在广义预测控制中的应用,可以解决广义预测控制在现实问题中遇到的一些问题。利用Matlab工具箱搭建仿真平台并进行仿真实验,结果证明了将支持向量机应用于广义预测控制是可行的。     

粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。     

基于支持向量机的图像预测编码算法

提出了一种利用支持向量机（SVM）构建预测器的图像压缩预测编码算法。该算法将遗传算法引入支持向量机中，在自学习的过程中，能够自动调整SVM的核参数，获取准确的图像信息。通过仿真试验，并与传统预测编码方法、神经网络预测编码方法进行比较，结果证明该算法恢复图像效果最好。     

基于分段核函数的支持向量机及其应用

支持向量机兼顾训练误差和推广性能,已受到机器学习领域的高度重视,而核函数的性能是支持向量机研究中的关键问题。研究了几种常见核函数对支持向量机推广性能的影响,并利用全局核函数和局部核函数的性质,提出了一种新的分段核函数的支持向量机。数据集上的仿真结果表明,该核函数对应的支持向量机泛化能力优于传统核函数对应的支持向量机,具有较好的预测性能。     

基于LSSVM的激光陀螺随机误差系数预测

激光陀螺是一种具有广阔应用前景的新型惯性器件.为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了最小二乘支持向量机预测激光陀螺随机误差系数的新方法.采用遗传算法进行支持向量机参数的自动选取,提出了基于遗传优化的最小二乘支持向量机回归预测算法,并对激光陀螺随机误差系数进行了预测实验.实验结果表明,基于遗传算法的最小二乘支持向量机的预测精度更高.另外,研究了回归步长对预测效果的影响.预测结果表明,不同的回归步长对预测结果有较大的影响.     

基于混合建模的双酚A催化剂活性软测量应用

针对复杂生产过程的软测量,采用基于结构风险最小化的支持向量机为生产过程建模.首先,其复杂度低.其次,所建模型的预测效果也来的好.但是相较于单一的支持向量机建模,如果将生产机理与支持向量机结合,即所谓的混合建模,则混合建模比单一的支持向量机的预测效果来得更加精确.本文应用了双酚A催化剂活性软测量建模,仿真结果表明了将双酚A催化剂活性的机理生产过程与支持向量机相结合的建模比单一的支持向量机建模来得准确.     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

基于支持向量机的变压器故障诊断

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了支持向量机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样本进行预选取作为特征向量,输入到多分类支持向量机中进行训练,建立SVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

Online Fault Prediction Based on Combined AOSVR and ARMA Models

Accurate fault prediction can obviously reduce cost and decrease the probability of accidents so as to improve the performance of the system testing and maintenance. Traditional fault prediction methods are always offline that are not suitable for online and real-time processing. For the complicated nonlinear and non-stationary time series, it is hard to achieve exact predicting result with single models such as support vector regression （SVR）, artifieial neural network （ANN）, and autoregressive moving average （ARMA）. Combined with the accurate online support vector regression （AOSVR） algorithm and ARMA model, a new online approach is presented to forecast fault with time series prediction. The fault trend feature can be extracted by the AOSVR with global kernel for general fault modes. Moreover, its prediction residual that represents the local high-frequency components is synchronously revised and compensated by the sliding time window ARMA model. Fault prediction with combined AOSVR and ARMA can be realized better than with the single one. Experiments on Tennessee Eastman process fault data show the new method is practical and effective.     

改进的SVM算法及其在故障诊断中的应用研究

介绍了支持向量机用于解决模式分类问题的基本原理，在对传统的多分类方法OVO（one—versus—one）深入分析的基础上，针对其存在的不可分类区问题，提出了一种改进的模式分类方法KSVM（KNN—SVM），将k-近邻方法嵌入到SVM算法中解决不可分类区问题，进一步提高了分类准确率。应用KSVM分类方击进行模拟电路的故障诊断，实验结果验证了该方法的有效性和实用性。     

Comparison of three data mining methods in predicting 5-year survival of colorectal cancer patients

The prediction of colorectal cancer (CRC) survivability has always been a challenging research issue. Considering the importance of predicting CRC patients' survival rates, we compared the performance of three data mining methods: decision trees (DTs), artificial neural networks (ANNs) and support vector machines (SVMs), for predicting 5-year survival of CRC patients to assist clinicians in making treatment decisions. The CRC dataset used to build the prediction model comes from the surveillance, epidemiology, and end results (SEER) program. The 5-fold cross-validation and random forest algorithm were respectively utilized for measuring the model predictive accuracy and the importance of features. Experimental results show that the predictive accuracy of ANNs (0.73) and SVMs (0.75) were higher than that of DTs, and they also have the best result in the area under the receiver operating characteristic (ROC) curve (area under curve (AUC) =0.82). This result may indicate high predictive power of ANNs and SVMs for predicting 5-year survival of CRC patients.     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法.该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的识别能力强,达到了很高的人脸识别率.在对训练图像进行预处理之后,使用主成分分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向量训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别.文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比.发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同.总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能.     

支撑矢量预选取的双色Voronoi图方法

支撑矢量机是在统计学习理论的基础上发展出来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在支撑矢量机中,支撑矢量的选取相当困难,成为其应用的瓶颈问题。该文利用Voronoi图在特征空间特有的构造特性,提出了一种预先选取支撑矢量的新方法双色Voronoi图方法。该方法针对数据在空间的分布特性,在训练支撑矢量机以前,利用样本数据的双色Voronoi图确定候选的支撑矢量,然后在这些预选的矢量上进行学习。试验证明了该方法的有效性及可行性。     

基于SVM和遗传算法的变频器故障诊断研究

提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率.     

基于流量总时延最小的并行LSP自适应流量分配

MPLS的引入使IP网络的流量工程成为可能.如何平衡两个标记交换路由器的多条并行显式标记交换路径上的网络流量,从而达到避免拥塞和优化网络性能的目的,是流量工程研究的一个重要课题.本文指出流量总时延最小是最有价值和最实用的流量工程优化目标,通过分析平均分组时延和网络负载的约束关系,证明了优化解的存在,解出了其数学结果,提出了一种自适应流量分配新方法,理论分析和仿真结果都表明该方法具有简单、快速、收敛性强等优点.     

A WEIGHTED FEATURE REDUCTION METHOD FOR POWER SPECTRA OF RADAR HRRPS

Feature reduction is a key process in pattern recognition. This paper deals with the feature reduction methods for a time-shift invariant feature, power spectrum, in Radar Automatic Target Recognition （RATR） using High-Resolution Range Profiles （HRRPs）. Several existing feature reduction methods in pattern recognition are analyzed, and a weighted feature reduction method based on Fisher＇s Discriminant Ratio （FDR） is proposed in this paper. According to the characteristics of radar HRRP target recognition, this proposed method searches the optimal weight vector for power spectra of HRRPs by means of an iterative algorithm, and thus reduces feature dimensionality. Compared with the method of using raw power spectra and some existing feature reduction methods, the weighted feature reduction method can not only reduce feature dimen- sionality, but also improve recognition performance with low computation complexity. In the recognition experiments based on measured data, the proposed method is robust to different test data and achieves good recognition results.     

基于电压暂降测量的配电网故障自动定位

文中提出了一种结合电力系统分析程序、数据库检索方法和模式识别技术自动识别的11kV配电网故障定位方法。该方法采用三相不平衡潮流和故障分析程序,对配电网各节点的故障进行分析生成电压暂降数据库,设计了数据库搜索和模式识别算法,以便配电网在发生实际故障时识别故障位置。利用电力系统EMTDC模拟器对该方法进行了评估和测试。实验结果表明,提出的线性模式识别算法能够识别所研究的11kV配电网的大部分故障区段。