河川径流中长期预测的支持向量机模型

径流预测历来是水利部门的一项重要工作,本文基于支持向量机（SVM）方法建立河川径流中长期预测模型,通过对1976-1994年黄河上游兰州站径流量历史数据分析处理后,得到年径流量增长的时间序列,利用所建模型对该序列值进行仿真模拟。在仿真实验后,用1995-1996年的增长量进行模型检验,并与RBF网络模型、BP神经网络模型预测结果进行对比,结果表明,应用SVM模型对年径流量进行预测,预测精度更高、效果更好。     

基于混沌支持向量机的短期风速预测

为了减轻风电对电网的影响,降低供电系统的旋转备用容量和运行成本,提出了以混沌理论为基础,基于相空间重构的支持向量机短期风速预测方法。为提高预测模型的预测精度和泛化能力,利用粒子群算法选择对相空间重构和支持向量机参数联合寻优,将最佳参数代入混沌支持向量机模型对短期风速进行预测。试验结果表明了该方法的有效性。     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

河川径流混沌特征分析

在对混沌理论及其在径流系统应用的适应性分析的基础上,提出河川径流混沌分析方法;以黄河为研究对象对月径流序列进行相空间重构,并进行混沌特征识别和分析,得到如下结论：天然月径流比实测月径流的饱和关联维数要大,要恰当描述实测月径流序列的变化特征,进行动力系统建模,最少需要4个独立变量,最多需要8个独立变量,要描述天然径流序列则最少需要5～6个,最多需要12个独立变量;同一水文站、同一时期的实测径流序列和天然序列的混沌特征不同;下游的混沌特征要强于上游;从上世纪五十年代到本世纪初黄河干流月径流的混沌特性比上世纪二十年代到上世纪七十年代月径流的混沌特性要稍强;所采用径流时间序列的长、短对混沌特征的识别有影响,序列越长,所表现的混沌特征就越强。黄河径流具有混沌特征,为径流系统的建模和混沌预测提供了依据。     

多元变量径流预测的最小二乘支持向量机模型

河川径流中长期预测历来是水利系统研究的重要内容,本文基于支持向量机理论建立多元变量径流预测的最小二乘支持向量机模型,并对新疆伊犁河雅马渡站23年实测年径流最及其相应的4个预报因子(降水量、纬向环流指数、径向环流指数、太阳射电流量)进行实例仿真研究.通过与BP神经网络模型预测结果进行对比,表明多元变量LSSVM模型的预测精度更高、效果更好.追求结构风险最小化的模政工型设计特点使得LSSVM在处理小样本数据预测问题上显示出巨大的优越性,同时避免了神经网络方法的易陷入局部最优和过学习现象.     

基于混沌理论和支持向量机的电价预测

根据电价时间序列的混沌特性,结合混沌理论和支持向量机方法提出了一种新的电价预测模型。该模型基于混沌理论对电价时间序列进行相空间重构,并根据相空间演变规律确定模型的输入输出结构,然后采用支持向量机拟合相点演化的非线性关系。为增强模型的泛化推理能力,训练样本按照预测相点最近邻点原理选择。对美国PJM电力市场边际电价历史数据的仿真研究表明,文中提出的预测模型能有效、稳定地提高电价预测精度。     

径流混沌时间序列的模糊支持向量机预测模型研究及其应用

针对径流混沌时间序列固有的确定性和非线性特点,以传统的支持向量机预测模型为基础,通过引入模糊隶属函数来考虑气候和流域下垫面条件变化,建立了径流混沌时间序列的模糊支持向最机预测模型.通过三种方法对长江寸滩站实际月径流时间序列的预测模拟结果对比,表明本文建立的模型具有更高的模拟精度,是一种有效的径流时间序列预测模型.     

基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究

针对径流时间序列固有的非线性和随机性特点,提出基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面条件变化下不同时期径流样本对预报结果的影响。预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小从众多的相关因子中挑选出对径流过程影响显著的预报因子。将该方法应用于金沙江上游控制站石鼓站的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明,该方法能提高径流中长期预报的精度,是一种有效的径流时间序列预测模型。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。     

基于相空间重构与支持向量机的汽轮机振动数据预测

汽轮机振动直接影响机组的安全,进行振动数据预测对机组的稳定运行具有重要意义。支持向量机是一种发展较好的常用振动预测方法,由于其输入特征对预测精度的影响较大,因此特征选择非常关键。提出了采用相空间重构理论对振动进行预测的方法,并与2种常规方法进行了比较,验证了基于相空间重构、支持向量机预测方法的优越性。     

基于支持向量机的锅炉煤质预测模型

通过基于统计学习理论的支持向量机建模和机理性的分析及推导,给出了2种不同的电厂锅炉煤质预测模型,并结合现场试验数据,给出2种方法不同的预测结果及评价.验证了支持向量机建模对于火力发电厂煤质监测具有较高的应用价值.     

基于BGSA算法的SVM分类模型设计研究

为了设计性能更优的支持向量机（SVM）分类模型,对影响其分类性能的参数和样本特征子集进行优化选择,对支持向量机理论和万有引力搜索算法（GSA）进行了研究,提出了一种基于二进制万有引力搜索算法（BGSA）的支持向量机分类模型构建方法,能够对影响支持向量机分类性能的相关参数及有效样本特征子集同时进行优化选择,获得最优组合解,并通过实验对其有效性进行了对比分析和验证。实验结果表明,所提出的BGSA-SVM分类模型能够有效提高支持向量机的分类性能,可进一步推广到工程实际中应用。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。     

基于PCA-GA-RSPSVM的复合材料损伤检测技术研究

针对复合材料损伤检测数据少、效率低等问题,提出一种基于主元分析(PCA)和改进的轮换对称分块支持向量机(RSPSVM)的损伤识别算法,并用其进行飞机复合材料构件损伤检测。首先,算法对平面多电极电容传感器检测模型等面积剖分,获取足够多复合材料检测样本;然后引入遗传算法(GA)改进RSPSVM获得更好的分类性能,并且结合PCA提取主特征向量用于降低特征向量维度和缩短训练时间,将新的特征集送入改进的RSPSVM算法,实现PCA-GA-RSPSVM识别算法;最后,用3种复合材料样板的实测值对算法进一步验证。经过仿真数据与实测数据的验证,有效的验证了PCA-GA-RSPSVM算法应用于飞机复合材料构件损伤检测的有效性。     

基于支持向量机核函数的研究

支持向量机(SVM)是近些年才提出的以统计学习理论为基础的新型学习机,同时因为其具有很强的实用性和广泛的适应性受到了普遍重视.支持向量机的许多特性是由所选择的核函数来决定的,因此如何选择核函数成为支持向量机的重要内容之一.在Matlab平台下使用libsvm工具箱对各常用核函数进行试验,通过仿真得到的图形和数据进行对比分析得出结论.     

基于粒子群优化算法的BP网络模型在径流预测中的应用

本文介绍了一种全局随机优化算法一粒子群优化算法,并将其用于BP网络模型,对模型参数进行优化来提高模型的收敛速度和精度。最后利用参数优化前后的BP模型进行径流预测,结果表明模型收敛速度和精度明显提高。