共查询到20条相似文献,搜索用时 125 毫秒
1.
2.
为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。 相似文献
3.
摘要: 针对支持向量机在短期负荷预测中的参数优化问题,利用杂草算法优异的搜索能力,构建了基于杂草算法优化支持向量机的短期负荷混沌预测模型(IWO-SVM)。该模型首先将支持向量机一组参数看作一个杂草种子,然后通过模拟杂草生存、繁殖过程实现支持向量机参数寻优,最后采用具体短期负荷数据对其性能进行分析。结果表明,IWO-SVM获得了高精度的短期负荷预测结果,能够满足短期负荷预测的实际要求。 相似文献
4.
5.
鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。 相似文献
6.
风机的性能曲线是风机选型和优化运行的重要依据.通常该曲线通过试验试验数据和性能图表上的数据进行曲线拟合获得.由于该曲线非线性很强,传统方法复杂昂贵,而且拟合精度不高。针对以上不足,提出了一种基于非线性权重自适应粒子群优化(NWAPSO)参数全局寻优的最小二乘支持向量机(LS-SVM)风机性能预测方法。通过最小二乘支持向量机建模,并应用非线性权重自适应粒子群优化算法对模型参数进行全局寻优,得到具有较高精度的风机性能曲线。计算结果表明,根据本文方法建立的模型很简洁,只需要知道少量的训练样本就能建立,可以比较精确的预测风机性能,具有较显著的工程应用价值。 相似文献
7.
8.
9.
10.
基于小波分解与遗传算法和支持向量机的短期风速预测 总被引:1,自引:0,他引:1
提出一种基于小波分解(Wavelet Decomposition)、遗传算法(Genetic Algorithm)和支持向量机(Support VectorMachine)的短期风速预测模型。采用风速历史值作为模型输入,通过模型的数据处理单元、参数寻优单元和支持向量机单元对短期风速值进行预测。同时引入模型的可调参数,通过调节参数提高模型对应不同风场风速数据的普遍适应性。算例结果表明,模型预测的风速与真实值基本一致,并具有较好的适应性,可适应不同风场的数据。 相似文献
11.
12.
This paper reports on a modeling study of ground coupled heat pump (GCHP) system performance (COP) by using a support vector machine (SVM) method. A GCHP system is a multi-variable system that is hard to model by conventional methods. As regards the SVM, it has a superior capability for generalization, and this capability is independent of the dimensionality of the input data. In this study, a SVM based method was intended to adopt GCHP system for efficient modeling. The Lin-kernel SVM method was quite efficient in modeling purposes and did not require a pre-knowledge about the system. The performance of the proposed methodology was evaluated by using several statistical validation parameters. It is found that the root-mean squared (RMS) value is 0.002722, the coefficient of multiple determinations (R2) value is 0.999999, coefficient of variation (cov) value is 0.077295, and mean error function (MEF) value is 0.507437 for the proposed Lin-kernel SVM method. The optimum parameters of the SVM method were determined by using a greedy search algorithm. This search algorithm was effective for obtaining the optimum parameters.The simulation results show that the SVM is a good method for prediction of the COP of the GCHP system. The computation of SVM model is faster compared with other machine learning techniques (artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS)); because there are fewer free parameters and only support vectors (only a fraction of all data) are used in the generalization process. 相似文献
13.
针对电能质量识别领域中,采用随机参数的支持向量机(SVM)分类器识别随机暂态扰动信号准确率低、优化耗时长等问题,提出一种基于遗传算法(GA)优化SVM识别电能质量暂态扰动(PQD)的新方法(GASVM)。首先,仿真生成具有随机噪声水平和扰动参数的9种PQD信号;接着,通过S变换,提取出6种信号特征构成输入特征向量,用于训练SVM分类器;再采用GA对SVM进行参数寻优,进而获得优化的GA-SVM分类器;最后,采用GA-SVM识别PQD信号。仿真对比试验表明,新方法能准确识别不同噪声环境下的9种PQD信号,分类准确率及优化所需时间均优于PSO优化SVM方法(PSO-SVM)。 相似文献
14.
This paper presents a novel strategy for optimizing the design of air curtains for open vertical refrigerated display cases which is based on an air curtain two-fluid of cooling loss (CLTF) model and a support vector machine (SVM) algorithm. A model for air curtain cooling loss, one important performance factor of display cases, is proposed. To verify the air curtain cooling loss and determine which design parameters significantly influence the performance of air curtains in open vertical display cases, the CLTF model was built to study the flow and transfer of heat through air curtains used in such display cases. After the object function for cooling loss is constructed, it is solved using an SVM algorithm with different input design parameter combinations. As a result, the predicted cooling loss is reduced by 19.6%. After being validated using experimental data, the TEC/TDA of optimum display case is found to be reduced by 17.1%. The experimental results show this strategy to be an effective method of optimizing the air curtain design. 相似文献
15.
16.
17.
为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。 相似文献
18.
分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。 相似文献
19.
20.
为了找到更高精确度的供水管网定位方法,基于支持向量机搭建了PSO-SVM给水管网漏失诊断模型,对影响支持向量机(SVM)性能的两个重要参数c和g使用粒子群优化算法(PSO)做了优化处理,使得支持向量机的运算速率和准确度显著提高,利用单漏点供水管网仿真模拟试验平台测得管网各运行工况下的漏点特征数据,测得数据通过后期归一化处理作为PSO-SVM模型的输入样本数据集,样本数据经PSO-SVM模型运行后证明该模型可有效对管网漏失点做出精准定位,并能对各漏失点的漏失量做出精准预测。 相似文献