支持向量机在衰落信道预测中的应用

研究信道通信优化控制问题,针对传统衰落信道预测算法中的不足,提出一种改进LSSVM的衰落信道预测。首先通过相空间重构对衰落信道系数序列进行重构,然后采用LSSVM对训练样本集进行学习,并通过自适应遗传算法对LSSVM参数进行优化建立最优衰落信道系数预测模型,最后采用测试集对模型的性能进行验证。仿真结果表明,相对于传统LSS-VM模型,改进模型提高了衰落信道系数预测精度,是一种进行衰落信道非线性预测的有效方法。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

基于LSSVM混淆矩阵和改进DS合成的多源传感器网络安全态势预测

针对现有的网络安全态势预测方法正确性和合理性难以得到保证,同时不能有效应对不确定情况的问题,设计了一种基于最小二乘支持向量机和改进证据理论的网络安全态势预测方法;首先,将由多源传感器采集的历史标记数据作为样本数据,实现对LSSVM的训练,然后,将当前采集的数据输入LSSVM进行分类,并通过混淆矩阵获得数据对应每个类的概率,为了有效地对采集的数据进行进一步融合,将各类转换为证据,同时将数据相对每个类的概率作为证据的基本信度分配,采用改进的DS证据合成规则对各证据进行融合,实现对网络安全态势的预测,最后,设计了基于LSSVM和改进DS证据合成规则的网络安全状态预测算法;在MATLAB环境下进行实验,实验表明了文中方法能对网络的安全态势进行实时精确的预测,与其它方法相比,具有更高的预测精度,是一种可行的网络安全态势预测方法。     

网络安全态势预测方法的仿真研究

研究网络安全问题,网络安全是一种复杂的非线性系统,具有显著的时变性特点,传统预测算法不能够准确刻画网络安全复杂变化特点,预测精度低。为提高网络安全态势预测精度,提出一种遗传算法和支持向量机相结合的网络安全态势预测模型。首先将网络安全态势数据重构成多维时间序列,然后输入到支持向量机进行训练,并通过遗传算法解决训练模型参数优化难题,从而建立网络安全态势预测模型,最后采用预测模型对未来时刻网络安全态势进行预测。仿真结果表明,遗传算法和SVM结合的模型可以很好地反映网络的整体安全运行状况,提高了网络安全态势预测精度,可以指导管理员对网络安全进行控制。     

改进PSO优化参数的LSSVM燃煤锅炉Nox排放预测

为了提高燃煤锅炉NOX排放浓度预测的准确度,更好地进行氮氧化物的污染监测,提出了一种结合最小二乘支持向量机(Least squares support vector machines,LSSVM)和改进的粒子群优化算法(Particle swarm optimization,PSO)的预测方法。依据LSSVM预测原理及其参数选择的不确定性,采用一种改进的PSO优化算法对模型参数进行寻优,建立锅炉燃烧NOX排放特性模型,并与另两种方法结果进行比较。结果表明:LSSVM是一种有效的建模方法,有较高的拟合度;改进的PSO与LSSVM结合可改善模型的预测精度和泛化能力,在NOX排放浓度预测方面明显优于其他两种参数优化算法,对NOX排放预测有指导意义。     

基于遗传优化最小二乘支持向量机的导引头故障诊断

为提高导引头故障诊断准确率,提出了一种采用改进遗传算法优化的最小二乘支持向量机（LSSVM）构造导引头多故障分类模型的方法。该方法基于一对一策略及改进的投票法建立两层LSSVM多故障分类器,并利用一种自适应变步长搜索策略改进的遗传算法对LSSVM的核参数和正则化参数进行自动优选。通过对某型导引头实测数据的仿真并和标准SVM及BP神经网络诊断方法相比较,结果表明该方法具有更高诊断准确率和计算效率。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于非线性误差补偿的蓝藻水华时序综合预测方法

针对现有蓝藻水华预测方法中大多仅采用智能模型或时序模型无法准确描述水华生成过程、预测精度不高等问题,本文根据蓝藻水华生成过程中同时存在的非平稳及非线性变化特点,在水华多元非平稳时序模型预测基础上,采用多种智能非线性模型对其非线性预测误差进行预测及补偿,从而提出将多元非平稳时序模型与智能模型相结合的蓝藻水华综合预测方法。本方法首先对蓝藻水华采用多元非平稳时序模型预测并提取非线性预测误差,通过核主成分分析法对影响预测误差的各因素进行分析,利用适于非线性系统建模的遗传算法(GA)优化最小二乘支持向量机(LSSVM)模型及BP神经网络模型对时序模型的非线性预测误差进行预测并补偿,从而提高水华预测精度。本文针对同一批蓝藻水华数据分别采用多元非平稳时序、BP、LSSVM、GA-BP、GA-LSSVM五种方法进行对比分析,实验结果表明,所提出的误差预测模型得到的蓝藻水华预测结果相比仅采用多元非平稳时序方法更符合实际,同时,GA-BP及GA-LSSVM模型的非线性误差预测结果相比BP及LSSVM精度更高,而在小样本情况下,GA-LSSVM模型的预测结果相比GA-BP模型精度更高,稳定性更好。因此本方法解决了现有的蓝藻水华预测精度不高、单一模型建模容易丢失信息等问题,提高了蓝藻水华建模预测的效果。     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。     

LSSVM与HMM在航空发动机状态预测中的应用研究

传统单一的状态预测方法难以精确预测航空发动机状态的缺陷,而最小二乘支持向量机(LSSVM)具有较强的非线性预测能力和泛化能力,可以有效地对信号进行非线性预测,隐马尔科夫模型(HMM)有利于处理连续的动态信号,能够精确计算出似然度概率。提出一种结合LSSVM与HMM的状态预测方法。利用提升小波函数全阈值降噪法对采集的振动信号进行降噪,采用小波包分解提取有效的特征,选择不同状态下的特征量训练多个HM M模型,并通过此模型对未知信号特征量以及LSSVM预测的特征量进行状态监测,从而预测出发动机未来时刻的状态以及状态的退化趋势。实验结果表明,该方法的预测准确率达到92%以上,能够有效地预测航空发动机的状态情况。     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

舰艇作战系统校准间隔优化研究

校准间隔优化是舰艇作战系统动态对准理论的重要组成。针对目前作战系统校准间隔确定缺乏理论支撑、历史对准误差数据使用率较低的情况,本文根据历史对准误差数据的特点,提出了利用EEMD-LSSVM-BP组合预测的校准间隔优化方法。首先利用EEMD将对准误差数据分解成若干不同频率的分量,分解后的各分量通过LSSVM进行预测,LSSVM的相关参数由QDE算法优化获得,各预测分量通过BP神经网络进行非线性重构,得到最终的预测结果,最后根据预测值对校准间隔进行优化调整。仿真实例表明,组合预测方法比单独的预测方法具有更高的精度,可以应用于作战系统校准间隔的优化过程。     

PLS-LSSVM模型在锌净化中的应用

在锌净化除钴过程中,生产数据存在噪声且变量间具有多重相关性,从而难以准确预测钴离子浓度。为此,采用偏最小二乘方法去除数据中的噪声,降低各参数间的多重相关性。通过为不同时期的样本数据赋予不同的权值,提高了最小二乘支持向量机(LSSVM)模型预测的准确性。利用改进的粒子群优化算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性。仿真结果表明,PLS- LSSVM模型的预测精度高于偏最小二乘回归和LSSVM。     

基于SQP/GA混合优化算法的双容水箱非线性预测控制

为了计算控制序列，非线性模型预测控制可以转换为一个带约束的非线性优化过程．本文分析了三种约束处理方案，根据遗传算法的特点，将等式约束用于状态量计算，在搜索空间降维的同时消除遗传算法难以求解的等式约束．对双容水箱进行遗传算法和序列二次规划仿真试验和实际控制，结果表明遗传算法对控制量的优化效果优于序列二次规划．为克服遗传算法耗时较长、优化结果存在随机抖动的缺点，结合序列二次规划提出一种混合优化算法，仿真和实控结果表明其可行性和有效性．     

混沌最小二乘支持向量机的AUV航向预测控制

针对AUV航向控制中存在不确定因素,尝试提出一种混沌最小二乘支持向量机(Chaos-LSSVM)的航向预测控制方案。由于AUV是典型的非线性系统,利用LSSVM解决航向非线性建模问题,采用Chaos算法在线优化LSSVM模型参数,预测控制AUV的航向,保证了航向预测控制的精度。最后Chaos-LSSVM与Fuzzy-PID预测控制器仿真结果对比表明,文中方法有效地提高了模型预测控制的精确性,且对于有海流海浪干扰及模型参数摄动具有较好的自适应抗干扰能力。     

摄像机标定方法的建模与仿真研究

研究摄像机定位优化控制问题,摄像机镜头存在多种非线性畸变,对标定路径和图像质量产生一定的影响,难以采用精确数学模型来描述,针对传统方法的摄像机标定准确率低。为了提高摄像机的标定准确率,利用LSSVM较好的处理非线性预测能力,建立一种PSO-LSSVM的摄像机标定模型。将摄像头采集到的图像坐标作为输入,将世界坐标作为输出,通过采用LSSVM精确逼近输入与输出的复杂非线性关系,采用PSO寻找LSSVM最优参数,提高标定准确率。通过标定模型进行对比实验,实验结果表明,PSO-LSSVM不仅加快标定速度,且提高了摄像机标定的准确率。     

基于PSO-LSSVM的城市时用水量预测

为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高。     

基于改进PSO优化LSSVM的MEMS陀螺随机漂移预测

提出一种基于改进粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）的MEMS陀螺随机漂移的预测模型建立方法。该方法首先应用最小二乘支持向量机对MEMS陀螺随机漂移建立预测模型,然后应用改进粒子群算法对该模型进行优化,最后应用参数优化后的LSSVM预测模型对随机漂移进行预测。该方法不仅解决了支持向量机训练速度慢和所需计算资源多的问题,而且文中提出的改进的惯性权值递减策略使PSO算法在全局或局部搜索能力上的侧重具有更好的适应度。实验结果表明,该预测模型可以有效地进行陀螺随机漂移的预测,且预测效果优于基本PSO优化的最小二乘支持向量机。     

用于网络安全态势预测的粒子群与支持向量机算法研究

网络安全已经越来越受到人们的重视,网络安全态势预测作为一种阻隔网络安全威胁的新兴手段受到了学者的广泛关注。针对威胁网络安全的特异性因素,提出一种改进的网络安全态势预测技术。介绍网络安全态势感知预测相关的背景;针对网络安全态势预测过程中存在的时变性与非线性等特征,在分析了支持向量机与改进粒子群算法的基础上,给出一种改进的PSO-SVM算法。通过相关仿真实验说明该方法的可行性与实用性。实验表明,使用该预测方法处理先前收集到的网络安全数据,明显提高了网络态势的预测精度,实现了对网络安全威胁的有效防御。