基于遗传-最小二乘支持向量机的PC斜拉桥标高误差预测

针对PC斜拉桥悬臂浇筑施工过程中主梁节段标高误差问题,提出了一种基于最小二乘支持向量机的标高误差预测新方法。采用遗传算法优化影响最小二乘支持向量机性能的有关参数,避免了人工选择参数的盲目性,提高了建模效率和模型的泛化推广能力。将此方法用于梅溪河斜拉桥主梁标高误差预测并与BP神经网络等方法的预测结果相比较,结果表明,该模型的预测精度是令人满意的,方法是合理而有效的。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于小波分解和支持向量机的办公建筑空调负荷预测北大核心

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

最小二乘支持向量机在热舒适性指标中的应用

本文介绍了最小二乘支持向量机的原理,并针对热舒适性指标建立了最小二乘支持向量机预测模型,以人的新陈代谢率、衣服热阻、空气温度、相对湿度、平均辐射温度和空气流速作为输入变量,以PMV指标作为输出。该模型计算结果与Fanger方程的计算结果吻合很好,与BP神经网络模型及传统的支持向量回归机模型进行分析比较的结果表明最小二乘支持向量机模型具有较高的拟合精度和泛化能力,可以满足PMV指标作为被控参数对空调系统进行实时控制的要求。     

基于混沌支持向量回归机的短期空调负荷预测

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果 EEP指标降低了31.4%,预测精度有了明显提升。     

基于模糊信息粒化和支持向量机的空调负荷预测

为提高空调负荷预测精度,预测空调负荷的平均值和波动范围,本文提出了一种基于模糊信息粒化和支持向量机相结合的空调负荷组合预测方法。该方法首先对原始数据模糊信息粒化处理,提取各窗口信息,其次应用支持向量机原理建立模型,采用交叉验证的方法对相应参数进行寻优,最后使用优化支持向量机模型对实测空调负荷进行预测。实例分析结果表明,该预测方法更为精简,可以有效的对空调负荷的平均值和波动范围进行组合预测。     

基于FLS-SVM的地铁车站照明能耗预测

地铁车站由于其特殊环境,照明主要依靠人工照明,照明工作时间长、功耗大是其主要特点,因此照明系统节能存在较大空间。对照明能耗的预测与分析是进行照明节能改造与设计的前提和基础。模糊最小二乘支持向量机因其有着学习速度快、跟踪性能好、泛化能力强、精度高等优点被广泛应用于能耗预测领域。本文利用模糊最小二乘支持向量机建立能耗预测模型,并且采用MATLAB的LS-SVM工具箱对预测模型进行了仿真研究,最后通过与RBF神经网络能耗预测模型仿真对比试验表明了基于最小二乘支持向量机的能耗预测模型拟合度好、精度高,是照明能耗预测的有效方法。     

相关向量机在珊瑚混凝土抗压强度预测中的应用

应用相关向量机对珊瑚混凝土小样本数据进行回归和预测,与BP神经网络和最小二乘支持向量机的比较发现:相关向量机具有良好的泛化能力,避免了神经网络易出现的过拟合现象,不仅预测准确率不低于最小二乘支持向量机,而且能输出预测值的置信区间;利用相关向量机回归构建解释体系,分析配合比中各组分的重要性、单因子效应及两因素间交互作用,仿真结果与实际结果一致。相关向量机是混凝土性能预测的可靠工具,可为配合比设计和优化提供指导。     

最小二乘支持向量机(LS-SVM)在短期空调负荷预测中的应用

将最小二乘支持向量机(LS-SVM)引入空调负荷预测中,在Fortran软件平台上建立LS-SVM空调负荷预测模型,并将其应用于绵阳一栋办公类建筑的空调负荷预测中。试验表明所提出的方法预测精度较高,运算简单,收敛速度快,具有较强的可行性和实用性。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

大面积带状区域高程拟合方法研究

介绍大面积带状区域高程拟合方法研究的必要性,并列举了最小二乘支持向量机、BP神经网络、二次曲面拟合三种高程拟合方法。结合工程实例,重点对三种拟合方法在同一个大面积带状区域的高程拟合结果进行对比分析。结果表明,针对本文大面积带状区域,最小二乘支持向量机进行高程拟合获得较高的内外符合精度,该方法具有较好的可塑性和更强的泛化能力。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型.该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测.研究表明:PSO-LSSVM模型的平均绝对误差为...     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

基于机器学习LNG空温式气化器传热性能预测

阐释环境条件下LNG空温式气化器动态耦合传热机理,针对传热过程的时变性、非线性及多因素影响性,提出利用机器学习对LNG空温式气化器的天然气出口温度进行预测。通过阐述最小二乘支持向量机的基本原理,指出最小二乘支持向量机模型的精度在于输入向量、惩罚因子和核函数的选取。基于厂站实测数据对模型的输入向量进行分析,得到输入向量为环境温度、运行时间、太阳辐射照度以及一段时间内的天然气出口温度实际监测值。采用粒子群优化算法对惩罚因子及核函数中的相关参数进行参数优化,通过均方根误差、平均绝对误差、平均相对误差和最大绝对误差对模型预测结果进行评估,结果表明采用线性核函数或者多项式核函数的最小二乘支持向量机模型能够很好地解决LNG空温式气化器整体耦合传热性能预测问题。     

基于LSSVM对盾构施工诱发地面塌陷变形预测

成都地铁1,2号线盾构在砂卵石地层施工诱发多次地面塌陷事故,其地面塌陷变形曲线受多种因素影响,且各因素对地面塌陷变形曲线的影响表现出非线性特性,因此地面塌陷变形曲线很难用显示的数学表达式进行求解。最小二乘支持向量机是基于统计学习理论的机器学习方法,该方法能避免传统神经网络诸多缺陷,能够分析复杂因素对结果影响的潜在规律,据此引入最小二乘支持向量机,以地层物理力学参数、盾构埋深和地层损失数量为输入参数,建立地面塌陷变形曲线预测模型。经过样本检验,预测模型具有较强的泛化能力,预测结果精度和可靠性较高。     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

基于LS-SVM对耐高温滤料过滤效率的预测研究

本文主要研究利用最小二乘支持向量机的方法预测耐高温高效滤料在不同测试条件下过滤效率的变化。笔者采用最小二乘支持向量机的方法,以Matlab作为软件平台,利用lssvmlab工具箱对于滤料测试的实验数据进行学习,以气体温度、气体流速,上游发尘浓度为输入,滤料过滤效率为输出训练算法,预测不同测试条件下滤料的过滤效率,并且与RBF神经网络的预测结果进行比较。实例分析表明,与基于RBF神经网络的耐高温滤料过滤效率模型相比,基于最小二乘支持向量机的过滤效率模型具有更高的精度,更强的鲁棒性,并且速度更快。