基于神经网络的CMP过程智能R2R预测控制

针对化学机械研磨(CMP)过程非线性、时变和不易在线测量的特性,提出了基于径向基函数(RBF)神经网络和微粒群(PSO)算法的CMP过程run-to-run(R2R)预测控制器NNPR2R。首先通过样本数据用减聚类算法和最小二乘法构建CMP过程的RBF神经网络预测模型,解决了复杂CMP过程难以建立精确数学模型的难题和提高了预测模型的精度。然后通过PSO算法滚动优化求取控制律,解决了基于导数的优化技术易于陷入局部最优的问题并提高了控制精度。仿真结果表明,CMP过程NNPR2R控制器的性能优于常规的EWMA方法,有效抑制了过程漂移和减小了不同批次间产品的差异,显著降低了材料去除率(MRR)的均方根误差。     

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。     

基于微粒群算法的LS—SVM时间序列预测

将微粒群算法引入到最小二乘支持向量机(LS-SVM)时间序列预测,建立预测模型。思路来自微粒群算法可以在超平面空间中实现优化搜索,因此,将微粒群算法中的微粒运动公式进行修正,从而实现对LS-SVM的训练。然后用训练过的LS-SVM进行预测,即得到最终结果。将此方法应用于销售量预测,结果表明,此模型有更高的预测精度,而且在不同的LS-SVM学习参数下模型的误差相对稳定。     

基于在线最小二乘支持向量机的变形镜建模与控制

为消除变形镜的建模误差，提出了基于在线最小二乘支持向量机的变形镜建模方法。首先，分析了温度和驱动器非线性等因素对变形镜响应矩阵的影响；然后，介绍了最小二乘支持向量机及在线更新的原理，并将其引入97单元变形镜的集成仿真模型。根据变形镜不断更新的运行数据，最小二乘支持向量机进行在线训练和模型更新，构建当前状态变形镜的等效模型，并输出下一时刻的电压预报值。仿真结果表明:基于在线最小二乘支持向量机的变形镜建模方法摆脱了固定模型的约束，具有自适应更新的特点，稳健性好，控制电压预测精度高，有利于提高自适应光学系统的控制精度。     

基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究

终点碳含量是决定钢质量的关键因素,是转炉炼钢过程中需要控制的核心变量之一.本文建立了一种基于莱维飞行的鲸鱼优化算法（Levy Whale Optimization Algorithm,LWOA）和最小二乘向量机（Least Squares Support Vector Machine,LSSVM）的钢水终点碳含量综合预测模型.通过莱维飞行代替了传统鲸鱼优化算法（Whale Optimization Algorithm,WOA）参数的随机选择,优化了鲸鱼算法中跳出局部最优的能力;借助改变鲸鱼算法的系数向量收敛方式明显提高了鲸鱼优化算法的泛化能力、预测精度和收敛速度.数据仿真结果表明,所提出的LWOA-LSSVM预测模型,不仅能够克服局部寻优获取全局最优解,而且具有快速的收敛速度和更高的预测精度,得出预测结果的均方根误差、平均绝对误差和平均绝对百分比误差与遗传算法BP神经网络、遗传算法最小二乘支持向量机和传统鲸鱼算法最小二乘支持向量机相比均有着明显提高.同时,通过调整目标命中率和训练输入样本量验证了预测模型具有更好的鲁棒性.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

最小二乘支持向量机和预测误差校正的运动员成绩预测

为了获得更好的运动员成绩预测结果,提出最小二乘支持向量机和预测误差校正的运动员成绩预测模型。首先通过提升小波和最小二乘支持向量机对运动员成绩进行建模和预测,然后通过误差校正方式对运动员成绩的预测结果进行校正,最后通过运动员成绩预测实例对模型的有效性进行测试,并与其他运动员预测模型进行对比实验,验证其优越性,结果表明,所提模型降低了运动员成绩的预测误差,并且通过误差校正提高了运动员成绩预测结果的稳定性,预测精度要优于其他运动员成绩预测模型。     

基于PSO-LSSVM的振弦传感器温度补偿

针对振弦传感器测量精度受环境温度影响的问题,本文提出基于粒子群-最小二乘支持向量机的温度补偿方法。采用泛化能力好、收敛速度快、全局最优的最小二乘支持向量机,并引入粒子群算法对最小二乘支持向量机的两个参数进行优化,建立预测模型,进行温度补偿。实验表明:与BP神经网络算法相比,该方法提高了传感器的精度。     

改进的SVM在矿井气体定量分析中的应用

自行搭建了气体采集系统,根据井下的气体情况,采集了包括甲烷、乙烷、丙烷、正丁烷和二氧化碳五种气体的中红外光谱数据共236组,其中校正集186组,验证集50组。在对光谱数据进行预处理之后,利用主成分分析技术将得到的主吸收峰区域的红外光谱数据进行降维处理,通过特征提取得到3个特征值作为矿井气体光谱数据的输入量。该方法有效减少了模型的计算量,加快了模型的收敛速度。然后,利用改进支持向量机分别对这五种气体建立了定量分析模型。为提高该算法的预测精度,利用遗传算法和粒子群优化算法分别对SVM参数进行参数寻优。最后,选择优化效果更好的粒子群算法,并通过验证集对这五种气体进行了浓度预测分析。实验结果表明:五种气体浓度预测结果的平均误差均小于1.78%,最大误差均小于4.98%,且对于50组的气体预测耗时均小于103 s。表明所提出的改进的SVM算法能够准确、快速地预测矿井气体浓度,对实现矿井气体检测有着积极的意义。     

基于PPSO-MPC的多雷达协同反隐身指示搜索任务规划

针对ESM/雷达协同反隐身探测中的指示搜索问题,引入模型预测控制(Model Predictive Control,MPC)理论,给出指示搜索任务规划的MPC框架,建立指示搜索的目标状态预测模型和在线滚动优化模型.针对模型求解,引入粒子群优化(Particle Swarm Optimization,PSO)算法,设计了高维矩阵粒子编码方式,引入尺度计算因子处理边界约束,引入概率模型处理离散变量,设计实现了一种"多主节点-单从节点"的 (Multi-Master-Single-Slave,MM-SS)多种群并行计算策略.仿真结果表明,所建立的模型能够在不确定、多目标环境下实现对多雷达的高效协同控制,所提出的模型求解算法能够实现对滚动优化问题的快速、高效求解,即模型和算法的有效性得到了验证.     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数（LAI）时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机（SVM）是一种有效的数据分类和回归预测工具,而最小二乘支持向量机（LS-SVM）是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。     

多因素影响下的忙时话务量预测方法的研究

为了提高节假日移动话务量的预测精度,提出了一种基于多因素影响的忙时话务量预测方法。首先对忙时话务量进行相关性分析,得到4个影响话务量的重要因子,然后把4个因子与忙时话务量训练数据一起作为输入变量,最后用改进的具有非线性惯性权重的粒子群算法优化的最小二乘支持向量机模型进行预测。实验结果表明该预测模型有更高的预测精度和较强的泛化能力。     

近红外光谱结合GA-LSSVR分析烟草尼古丁含量

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性,利用近红外光谱结合遗传算法-最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中,采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型,GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好,验证集相关系数R2为0.9766,预测均方根误差为0.1065。研究结果表明,GA-LSSVR是一种快速准确的建模方法,为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。     

基于SVM及多目标遗传算法的光刻热点检测

提出一种基于支持向量机(SVM)及多目标遗传算法(GA)的集成电路版图光刻热点检测方法。首先对版图样本进行离散余弦变换(DCT)以提取样本的频域特征,然后基于这些样本训练SVM分类器以实现对光刻热点的检测。采用多目标遗传算法(GA)对频域特征进行选择,并同时优化SVM分类器的相关参数。实验结果表明,本光刻热点检测方法可以有效提高版图光刻热点检测的精度和效率。     

基于LS-SVM方法的视线角速率在线预测

首先通过时间加权末位淘汰机制对最小二乘支持向量机（LS-SVM）算法进行改进。其次,将这一算法应用于导引头视线被云层遮挡（穿云）或其他原因导致导引头失锁时对视线角速率的预测。导引头处于锁定状态时应用该算法进行在线训练,导引头视处于失锁状态使用训练形成的决策函数对视线角速率进行在线预测。最后,通过弹道末端设置导引头失锁的数学仿真结果,统计使用预估视线角速率（决策函数输出）作为末端导引信息的多条弹道的脱靶量,确认了最小二乘支持向量机对典型视线角速率信号预测的有效性和用于提高小型空地战术导弹穿云和抗干扰能力的应用前景。