基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

基于PSO-SVR动态模型的车辆排队长度预测

针对突发事件下城市道路车辆排队系统的特点,从时空角度综合考虑车辆排队系统的影响因素,建立支持向量回归（SVR）动态模型对车辆排队长度进行预测。考虑到参数选择对模型性能影响的敏感性,提出了以k折交叉验证（k-CV）均方误差平均值为适应度的粒子群优化（PSO）方法并对SVR模型参数进行寻优。用提出的PSO-SVR模型与K-CV和遗传算法（GA）优化的SVR模型以及BP网络预测模型对比,实验结果表明,该模型具有较高的预测精度和泛化能力,适用于车辆排队长度的预测。     

旅游客流量预测：基于季节调整的PSO-SVR模型研究

旅游客流量具有明显的非线性和季节性特征, 所以采取季节调整方法对样本数据进行预处理, 消除季节性的影响, 可以提高客流量预测的准确性。同时SVR(支持向量回归机)是一种良好的机器学习方法, 非常适合预测研究, 辅以PSO (粒子群算法)选取合适的回归参数可以获得更加精确的预测结果。鉴于此, 构建一种考虑季节影响的PSO-SVR模型, 以北京为例将不同旅游客流量预测方法的拟合优度进行比较。结果显示：季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型, 该模型是进行旅游客流量预测的有效工具。     

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法, 并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR), 对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测, 结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果. 与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较, CPSO–SVR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LS–SVR稳定性更强, 可用于高炉铁水硅含量的实际预测, 表明混沌粒子群优化算法是选取SVR参数的有效方法.     

基于混合算法软测量的污水处理厂污泥回流系统设计

针对污水生化处理中的污泥回流量模型具有高度非线性的问题,提出了基于PCA-GA-SVR（Principal Component Analysis-Genetic Algorithm-Support Vector Regression）的污泥回流量软测量模型.该方法由两部分组成：主成分分析PCA和GA-SVR支持向量回归的混合算法,先使用PCA进行降维,然后再以遗传算法对SVR的影响预测精度的几个有关参数进行优化,建立污泥回流量模型.实验表明提出的预测模型是有效的,具有较快的收敛速度,相比SVR预测模型更高的预测精度及更快的运行速度.     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

基于IsoMap和MBFO-SVR的瓦斯涌出量动态预测研究

为了能够实现高精度与实时性的动态预测煤矿绝对瓦斯涌出量,本文提出了等容特征映射IsoMap（Isometric feature Mapping）与改进细菌觅食优化算法MBFO（Modified Bacteria Foraging Optimization）优化支持向量回归机SVR（Support Vector Regression）相结合的预测方法。瓦斯涌出是在多种影响因子共同作用下的结果,并且这些因素之间是复杂的非线性关系,因此本文中提出采用流形学习方法IsoMap对其进行降维特征提取,该方法用测地距离（geodesic distace）取代了普遍采用的欧氏距离,有利于对高维特征内在关系的挖掘,取得了优于传统的主成分分析（PCA）的结果;将MBFO算法对SVR的相关参数进行寻优;将IsoMap分析结果输入预测模型。仿真表明,与PSO算法比较,本文提出的预测方法预测精度较高,更加有利于对瓦斯涌出量预测。     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法.采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛.充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析.分析结果表明,该预测模型可将预测的均方根误差降低约40％,绝对值误差降低约42％,相对误差降低约46％,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果.     

基于改进灰狼优化算法的支持向量回归预测

为了提高支持向量回归(SVR, Support Vector Regression)进行数据驱动预测的精度,针对SVR存在的参数优化问题,通过引入Tent混沌映射进行种群初始化、改进收敛方式、并结合模拟退火算法,改进了传统的灰狼优化算法(GWO, Grey Wolf Optimization)来优化SVR超参数,并基于改进后的GWO算法提出了一种IGWO-SVR预测模型。将提出的IGWO-SVR模型应用于NASA锂电池数据集仿真SOH预测以及实际生产中的车灯电流预测实验后,实验结果表明IGWO-SVR预测模型在NASA锂电池数据集上进行预测的误差相较GWO-SVR模型降低了23％,相较粒子群算法和遗传算法优化的SVR模型均存在明显优势,误差分别降低了39%和51%;在实际工作中使用IGWO-SVR模型进行车灯电流预测也取得良好效果,与实测值之间的相对误差达到2.67%,相较GWO-SVR模型误差降低了近7个百分点,证明了模型在实际应用中的具有良好的价值。     

基于PSO-SVR的岩质边坡稳定性评价模型

针对边坡稳定性影响因素的复杂性,提出了基于粒子群算法（PSO）和支持向量回归（SVR）的边坡稳定性评价模型。该模型利用粒子群算法快速全局优化的特点和支持向量回归机对小样本数据的良好学习能力,建立了岩质边坡稳定性与其影响因素之间的非线性关系。仿真实验表明,该方法具有比BP神经网络和自适应模糊推理系统（ANFIS）方法更好的预测精度。     

Electromechanical equipment state forecasting based on genetic algorithm – support vector regression

Prediction of electromechanical equipments state nonlinear and non-stationary condition effectively is significant to forecast the lifetime of electromechanical equipments. In order to forecast electromechanical equipments state exactly, support vector regression optimized by genetic algorithm is proposed to forecast electromechanical equipments state. In the model, genetic algorithm is employed to choose the training parameters of support vector machine, and the SVR forecasting model of electromechanical equipments state with good forecasting ability is obtained. The proposed forecasting model is applied to the state forecasting for industrial smokes and gas turbine. The experimental results demonstrate that the proposed GA-SVR model provides better prediction capability. Therefore, the method is considered as a promising alternative method for forecasting electromechanical equipments state.