改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

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。     

一种线性组合电力负荷预测模型(英文)

电力负荷预测对电力系统的有效运行是至关重要的.电力负荷预测领域迫切需要更精确、更稳定的电力负荷预测方法和技术.为进一步提高电力负荷预测精度,利用互补性原理建立了一种线性组合预测策略.该方法由一个基于互补原理的单项模型选择策略,及线性组合模型组成.选定的单项模型包括流行的线性模型,即ARIMA模型,和流行的非线性模型,即支持向量回归(SVR)模型.该线性组合结构可以有效地提取非线性电力负荷数据的特点.澳大利亚电网真实数据的实验运行验证了该模型的有效性.     

基于AP-SVM组合模型的股票价格预测

为了减小单支股票训练数据中的噪声对分类器性能的影响,提出了一个新的基于簇的股票价格涨跌预测方法(AP-SVM)。AP-SVM首先使用近邻传播(AP)算法挑选出与待预测股票价格变化相似度较高的其他股票,然后将待预测股票和与其价格变化相似的其他股票一起作为输入数据,训练一个支撑向量机(SVM)实现对待预测股票价格涨跌的预测。实验结果表明,当训练数据中存在噪声时,AP-SVM在预测准确率方面优于传统的SVM方法。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

城市日用水量需求预测的等维新息SVR建模方法

针对社会经济因素和气象因素对城市日用水量需求的复杂非线性影响以及这种影响的动态变化特性,提出一种基于等维新息的支持向量回归(SVR)预测建模方法并用于城市日用水量需求预测.鉴于传统留一交叉验证法确定SVR模型参数时,存在样本分组数过少及容易出现预测误差评价失真等问题,采用测试集的等维新息SVR模型预测结果,提出了一种基于等维样本集的概率统计参数确定方法.实例分析表明：SVR模型的引入及新的参数确定方法的提出有利于提高城市日用水量需求预测精度.     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

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.     

SARIMA - SVR混合模型在电费收入预测中的应用

针对SARIMA模型和SVR模型在预测电费收入数据时因存在线性因素和非线性因素所产生的难以精准预测的问题,提出一种将SARIMA和SVR相结合的SARIMA - SVR混合模型.利用延边供电公司的月电费收入数据对SARIMA - SVR混合模型的有效性进行验证显示, SARIMA - SVR混合模型的平均绝对百分比误差比SARIMA模型和SVR模型分别低了13.50%和73.75%.该结果表明SARIMA - SVR混合模型对电费收入数据具有较好的预测效果.     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

一种基于灰色系统和支持向量机的预测优化模型

针对传统的灰色系统中预测模型涉及相关因素多,预测效率与精度不足等问题,结合粗糙集理论和支持向量回归机方法,提出了一种改进的预测优化算法。该模型算法首先利用属性约简技术解决影响因子不相容性问题并有效缩减了影响预测值的因子空间,降低计算的复杂性;然后采用灰色模型进行数据预测,并将预测结果作为支持向量机的输入,进而求解优化模型的预测值,最后采用1990～2010年我国人口数据对我国人口进行预测。实验结果表明该预测优化模型在预测效率和精度方面具有较好的表现。     

基于主成分分析和LightGBM算法的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析和GBM算法的风电场发电功率超短期预测方法。该方法首先进行PCA主成分分析将与风电功率相关程度低的维度剔除,降低数据的冗余性,然后利用GBM算法建模实现风电场发电功率的超短期预测。实验结果表明基于GBM算法的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期的功率预测上的精度。     

基于ARIMA和CART的负载预测模型

主机资源的负载预测对其运营维护工作具有重要意义.传统负载预测方法通常采用线性时间序列模型拟合负载数据,而负载受复杂的内外部环境影响,线性模型无法很好地表征负载数据规律.为提高模型的精度,提出将负载信息分解为线性部分和非线性部分的思想,并将自回归差分滑动平均(autoregressive integrated moving average,ARIMA)模型和分类回归树(classification and regression tree,CART)模型相结合进行预测.通过加权最小二乘法改进的ARIMA预测线性部分,通过边界判定优化的CART预测非线性部分,并结合两者获得综合预测结果.在真实负载数据集下进行对比实验,结果表明,改进后的算法预测精度相比传统方法提高了15%以上,且对偏远值和不同的时间间隔都均有良好的适应性.     

基于PCA和半监督聚类的入侵检测算法研究

针对网络入侵检测数据存在大量冗余信息和传统聚类算法对离群点检测不足的问题,提出一种基于主成分分析(principal component analysis, PCA)和半监督聚类的入侵检测算法。首先使用PCA对数据进行特征提取,消除数据间的冗余属性;然后利用少量已标记样本和成对约束信息,通过引入竞争凝聚让系统主动学习,以实现对大量未知样本的检测。在入侵检测数据集和UCI基准数据集上的实验结果表明,该算法能有效提高系统的性能。     

基于混合优化算法的模糊系统辨识

针对一种新型分层模糊系统,提出了一种混合优化算法,即利用粒子群优化算法辨识每一个模糊单元模型的前件参数,利用递推最小二乘算法辨识后件参数.采用该辨识方法对Mackey-Glass混沌时间序列及Box-Jenkins数据进行实验,并与果蝇优化算法以及入侵杂草优化算法的仿真结果进行了比较,实验结果表明:这种混合优化算法能够提高分层模糊系统模型的精度.     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

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Holt-Winters与最小二乘支持向量机的混合预测模型

为了提高地下水埋深时间序列的预测精度,本文应用Holt-Winters三参数指数平滑法作为预测模型,使用最小二乘支持向量机对残差序列进行预测。由于核参数和惩罚因子在很大程度上直接影响了最小二乘支持向量机的预测性能,本文选用果蝇优化算法对其参数进行优化选取,该方法不仅能够建立最优的混合预测模型,而且能够很好地捕获地下水埋深序列的非线性特征。选用甘肃民勤县大坝乡城西八社地下水监测站点的数据来验证所建模型的预测性能,实验结果表明与传统的单一预测方法相比,本文所建混合预测模型提高了预测精度。     

基于EMD-PSO-BP网络模型的大坝变形预测

针对大坝变形具有非平稳性、非线性等特点,将经验模态分解(EMD)和粒子群算法(PSO)引入到BP神经网络中,建立EMD-PSO-BP模型。该模型采用EMD将复杂的大坝变形数据分解成有限个相对平稳的分量,并利用粒子群算法优化BP神经网络对各分量分别建模预测,叠加重构各分量预测值作为最终预测结果。实验结果表明,EMD-PSO-BP模型具有较好的非线性映射能力、学习能力和自适应能力,能有效地提高变形预测精度,其预测精度明显优于BP神经网络模型,较PSO-BP模型也有所提高。