基于DE优化SVR的锂离子电池剩余容量预测

在分析了支持向量机回归算法(SVR)对剩余容量模型非线性回归基础上,针对SVR参数选择难的问题,提出了一种基于微分进化(DE)算法优化SVR的算法。DE具有强劲的全局搜索能力,将其应用到SVR的参数寻优当中去,可以寻找到SVR的最优参数。将该方法应用于锂离子电池剩余容量的预测模型,并将生成的模型和基于粒子群优化(PSO)算法的SVR锂离子电池容量预测模型比较。仿真结果表明,基于DE优化的SVR剩余容量预测的精准度高于PSO优化的SVR剩余容量预测精准度,为锂离子电池容量预测提供了一种新的方法。     

HTS算法与GRNN、SVM耦合模型在径流预测中的应用

为提高水文预测预报精度,基于广义回归神经网络(GRNN)和支持向量机(SVM)构建GRNN_SVM耦合预测模型,利用热量传递搜索(HTS)算法同时优化GRNN、SVM关键参数和耦合权重系数,提出HTS_GRNN_SVM耦合预测模型。采用8个标准测试函数对HTS算法进行仿真验证,并与教学优化(TLBO)算法、灰狼优化(GWO)算法等当前寻优效果较好的几种算法进行对比验证;利用两个径流量预测算例对HTS_GRNN_SVM耦合模型进行实例验证,并与HTS_GRNN、HTS_SVM及GRNN、SVM模型的预测结果进行对比。结果表明:HTS算法的寻优精度优于TLBO、GWO等优化算法,具有较好的收敛速度、求解精度和稳定性; HTS_GRNN_SVM模型融合了HTS算法与GRNN、SVM模型的优点,在预测精度、泛化能力等方面均优于HTS_GRNN等4种模型。     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

基于时间序列与DEGWO-SVR模型的隧道变形预测方法

为了对准确预测隧道变形的非等距性及复杂非线性特征,结合时序分析理论、差分进化算法(DE)、灰狼优化算法(GWO)和支持向量回归机(SVR)模型,提出新的隧道变形预测模型. 利用3次样条函数插值法将非等距监测数据等距化;基于时间序列原理将变形分解为趋势项及平稳随机项,并采用所提模型分别对2个分解项进行预测;将各位移分量叠加,实现隧道累积变形的预测. 以重庆市兴隆隧道实测拱顶沉降为例,预测前方ZK37+900和ZK37+910断面拱顶沉降,并与已有模型进行对比. 结果表明：所提模型预测的均方根误差分别为0.193 7 、0.086 9 mm,平均绝对百分比误差分别为1.21%、0.55%,相关系数分别为0.997 1、0.992 8. 相比于已有模型,所提模型的预测精度更高、误差更小,具有更好的适用性及应用前景.     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

基于灰狼支持向量机的非等时距滑坡位移预测

以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法（GWO）和支持向量回归机（SVR）模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速.     

基于PCA-FOA-SVR的股票价格预测研究

研究股票价格预测问题,针对影响股票价格因素多存在数据冗余,传统方法无法消除数据冗余,准确稳定预测股价非线性变化.为提高预测精度,在传统的支持向量机回归(Support vector regression,SVR)方法的基础上引入主成分分析(Principal component analysis,PCA)和果蝇算法(Fruit fly optimization algorithm,FOA),提出了一种PCA-FOA-SVR的股票价格预测方法.首先利用PCA对影响股票价格的因素进行分析降维,消除冗余信息,然后用果蝇算法优化SVR的参数,利用优化后的SVR对非线性变化的股票价格建模预测.最后利用PCA-FOA-SVR模型对宁沪高速(600377)股票价格数据进行仿真实验.实验结果表明:与传统的BP和SVR相比,PCA-FOASVR模型在股票价格预测中进一步减小了预测误差,有更高的预测精度,是一种有效可行的股票价格预测方法.     

几种智能算法与支持向量机融合模型在中长期月径流预测中的应用

通过5个典型测试函数对灰狼优化(GWO)算法、文化算法(CA)、SCE-UA算法和花授粉算法(FPA)进行仿真验证及对比分析。针对支持向量机(SVM)学习参数难以确定的不足,利用上述4种智能算法搜寻SVM的最佳学习参数,提出GWO算法、CA、SCE-UA算法和FPA与SVM相融合的预测模型,并以云南省革雷水文站的中长期月平均流量预报为例进行了实例研究。结果表明:14种算法的性能各有优劣,均具有较好的收敛速度和全局寻优能力。相对而言,GWO算法、FPA优于SCE-UA算法,SCE-UA算法优于CA。2GWO-SVM、CA-SVM、SCE-UA-SVM及PFA-SVM模型对革雷水文站2001—2005年的月平均流量预测的平均相对误差绝对值分别为2.47%、2.81%、2.67%和2.46%,均具有较好的预测效果。     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

45钢高速铣削表面粗糙度预测

为了提高高速铣削加工表面粗糙度预测的精确性以及模型的通用性,提出了一种基于粒子群最小二乘支持向量机(PSO-LSSVM)算法的高速铣削加工表面粗糙度预测方法。以工件硬度以及铣削参数为影响因素,采用回归分析方法、最小二乘支持向量机(LSSVM)以及PSO-LSSVM方法,分别建立了45钢高速铣削加工表面粗糙度预测模型,并对模型的预测精度进行了试验验证和对比分析。结果表明:相同样本条件下,回归分析方法的预测误差较大,PSO-LSSVM预测模型平均预测误差仅为LSSVM方法平均预测误差的50%。PSO-LSSVM预测模型具有较高的预测精度和泛化能力,能够准确地预测高速铣削不同硬度的工件表面粗糙度,同时为铣削参数的选择和表面质量的控制提供了依据。     

基于粒子群优化的溶解氧质量浓度支持向量回归机

针对污水处理中溶解氧质量浓度无法在线精确测量的问题,提出基于粒子群算法优化支持向量回归机(PSO-SVR)的溶解氧质量浓度软测量模型.为了提高溶解氧的预测精度和效率,采用粒子群算法对支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间的非线性软测量模型,利用该软测量模型对国际基准仿真模型BSM1的溶解氧质量浓度进行预测.仿真结果表明:该模型能得到较好的预测效果,与SVR、RBF神经网络相比,PSO-SVR模型不仅计算复杂度低,而且收敛速度快,预测精度高,泛化能力强.     

基于教学优化算法的多元超越回归模型及其在径流预报中的应用

基于超越方程内涵,提出多元超越回归(MTR)预报模型。通过4个典型测试函数对新型智能算法——教学优化(TLBO)算法进行仿真验证,并与粒子群优化(PSO)算法、差分进化(DE)算法、萤火虫(FA)算法、布谷鸟搜寻(CS)算法、混合蛙跳算法(SFLA)进行对比分析。利用TLBO算法寻优MTR模型参数,提出TLBO-MTR预报模型,并构建TLBO-支持向量机(TLBO-SVM)、TLBO-BP神经网络(TLBO-BP)、TLBO-多元二项式回归(TLBO-MBR)预报模型作对比;以云南省西洋站和董湖站12月份月径流预报为例,进行实例验证。结果表明:1TLBO算法收敛精度优于PSO、DE、FA、CS和SFLA算法,表现出较好的收敛精度和全局寻优能力;2TLBO-MTR模型对于西洋站和董湖站10年预报的平均相对误差绝对值分别为5.59%、6.60%,均优于TLBO-SVM、TLBO-BP和TLBO-MBR预报模型,表现出较好的预报精度。TLBOMTR模型预报方法可为水文预测预报提供新的途径,具有良好的应用前景。     

回转干馏炉内油页岩停留时间模型建立及其预测

为了提高估算MRT精度,文中采用支持向量机算法对求解MRT问题进行了建模,并在一定约束条件下,利用Gridregression.py寻找回归最优参数方法对支持向量机模型的参数进行了优化,获得了最优的模型参数.支持向量机模型将操作参数和结构参数作为输入量,MRT作为输出量,用实验数据对模型进行了校验和参数的寻优,利用优化...     

基于变尺度混沌蚁群算法的飞灰中的碳质量分数优化

为了降低燃煤锅炉飞灰中的碳质量分数,利用支持向回归(SVR)建立了大型四角切圆燃烧锅炉的碳质量分数模型.利用大样本量的热态实炉碳质量分数实验数据对模型进行了训练和验证,利用变尺度混沌蚁群算法结合该模型对锅炉的运行参数进行优化.计算结果表明:SVR模型具有很好的泛化性和预测精度;变尺度蚁群算法能实现全局寻优,降低飞灰中的碳质量分数,而且具有很高的稳定性和鲁棒性,其快速的收敛寻优能力也非常适于在线应用;支持向量机与变尺度蚁群算法的结合使用可以有效地实现燃烧优化,降低飞灰中的碳质量分数是控制锅炉飞灰中碳质量分数的有效工具.     

基于SVR的航空发动机滑油金属含量预测方法

摘要：利用支持向量回归机（SVR）对航空发动机滑油中金属含量进行预测时,通常利用粒子群算法优化支持向量回归机中的参数。而随着迭代的深入,可能出现粒子陷入局部最优的情况。通过建立粒子散射模型对这部分粒子进行重定位,使之快速跳出局部最优。引入松弛系数p,对惯性参数 进行调节,使整个算法快速收敛。仿真实验表明,算法有助于粒子收敛于全局最优点,提高了滑油中金属含量的预测精度。     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

基于CPSO-LSSVM的陀螺仪故障趋势预测

为了提高最小二乘支持向量机(LSSVM)的学习性能和泛化能力,提出了混沌粒子群优化(CPSO)算法和交叉验证(CV)算法相结合的LSSVM参数寻优方法.CPSO算法将混沌搜索引入到粒子群算法中产生初始混沌粒子,并在粒子运动中不断加入混沌扰动,实现LSSVM参数的自动选取.利用交叉验证误差构造粒子的适应度函数,为参数选择提供评价标准.陀螺仪随机漂移是影响陀螺仪性能可靠性的主要因素,将经过参数寻优的LSSVM用于建立陀螺仪随机漂移的时间序列预测模型,预测值与实际值相差较小,可为陀螺仪的故障趋势预测提供依据.实验结果表明CPSO算法是选取LSSVM参数的有效方法,所建的回归模型具有较高的预测精度.     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

基于相关向量机的短期风速预测模型

风速变化频繁,很难建立高精度的风电场短期风速预测模型。基于支持向量回归机(SVR)的风速预测模型虽然应用广泛,但其时间成本限制了应用前景,且模型参数较多,难以进行模型优化。为此,采用相关向量机理论搭建风速预测模型,采用主动相关决策理论减轻了计算量,节约了模型预测的时间成本,同时模型参数较少,更容易实现模型优化。以2组风速数据为例,分别运用相关向量机(RVM)和SVR模型进行预测,算例结果表明:RVM模型短期风速预测结果误差更小,预测时间更短。     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。