基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．  

基于粗糙集理论的支撑向量机预测方法研究

分析了粗糙集理论方法与支撑向量机方法两者各自的优势和互补性，探讨了粗糙集与支撑向量机的结合方法．然后提出了一种基于粗糙集数据预处理的支撑向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势．减少支撑向量机的训练数据，克服支撑向量机方法因为数据量太大，处理速度慢等缺点。将该系统应用于股票价格预测中，与BP神经网络法和标准的支撑向量机方法相比，得到了较高的预测精度，从而说明了基于粗糙集理论的方法作为信息预处理的支撑向量机学习系统的优越性．  

小波支持向量机

在研究支持向量机(SVM)核方法和小波框架理论的基础上,提出了一种称为小波支持向量机(WaveletSupport Vector Machines,WSVM)的新的机器学习构造方法.该方法引入小波基函数构造SVM的核函数,得到了一种新的SVM模型,然后提出了此模型的结构设计和实现算法,最后给出了几种常用的小波核函数,并给出了理论证明.通过仿真实验,把该方法与小波神经网络、高斯核SVM相比较,得到了较好的实验结果,从而验证了该方法的正确性和有效性.  

基于路径宽度的Zigbee网络路由算法优化

针对AODVjr算法在路由查找过程中的盲目性导致网络能量利用率不高的问题,提出一种基于路径宽度的W-AODVjr算法。该算法通过在源节点与目的节点之间形成一个环状封闭路由查找区域,并采用指数查找的方式确认最优路径宽度。通过源节点选取路径中节点剩余能量最大的节点,以此作为路由的方法来最大限度保护低能量节点。NS2仿真结果表明,W-AODVjr算法能有效保证数据包发送的成功率,与AODVjr算法相比,网络能量利用率提升8%,生命周期延长约为12%,在Zigbee网络中W-AODVjr算法更具优越性。  

基于改进量子差分进化的含分布式电源的配电网无功优化

差分进化算法（DE）已被证明为解决无功优化问题的有效方法.随着越来越多的分布式电源并网，对配电网潮流、电压均有一定改变，同时也影响了DE的鲁棒性和性能.本文在研究DE基础上，针对其收敛过早、局部搜索能力较差的缺陷，分析了量子计算思想和人工蜂群算法的优势，提出改进量子差分进化混合算法（IQDE）.通过量子编码思想提高了种群个体的多样性，人工蜂群算法的观察蜂加速进化操作和侦查蜂随机搜索操作分别提高了算法的局部搜索和全局搜索性能.建立以有功网损最小为目标的数学模型，将IQDE算法和DE算法分别用于14节点和30节点标准数据集进行大量仿真实验.实验结果表明，IQDE算法用更少的收敛时间、更小的种群规模便可以获得与DE算法相同甚至更佳的优化效果，并且可以很好的应用于解决难分布式电源的配电网无功优化问题.