共查询到15条相似文献,搜索用时 62 毫秒
1.
针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机(LSSVM)的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机(LSSVM)建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的. 相似文献
2.
研究粒子群算法(PSO)优化最小二乘支持向量机(LS-SVM)的参数时,受到搜索空间有限的限制,容易陷入局部极值,直接影响罐容表的标定精确度的问题。针对该问题,作者采用量子粒子群算法(QPSO)选取LS-SVM的径向基核参数进行优化,建立了基于QPSO-LS-SVM的罐容表标定的软测量模型。仿真实验结果表明:该方法不用建立复杂的机理模型,只需利用QPSO-LS-SVM算法进行软标定,大幅度缩短了训练建模时间,提高了运行效率。 相似文献
3.
提出一种基于最小二乘支持向量机(LS—SVM)的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。 相似文献
4.
5.
支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。 相似文献
6.
支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。 相似文献
7.
为解决降雨混沌时序预测精度较低的问题,基于相空间重构思想,引入改进的局部投影算法进行降雨时序的降噪;采用定性和定量的混沌特性判定方法,指出降雨时序具有明显的混沌特性.并在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验.实验结果表明:降噪前后预测精度相差很大,表明噪声是造成混沌预测方法预测精度较低的主要原因.最后通过与其他预测方法比较,验证了所建立的混沌预测模型预测精度高、误差较小,可用于工程实际. 相似文献
8.
周德强 《西华大学学报(自然科学版)》2010,29(3):69-72
为提高道路交通事故的预测精度,根据道路交通安全系统的特征,提出一种基于LS-SVM算法的道路交通事故的非线性组合预测模型。实例计算表明该组合预测模型不仅比单一预测技术的预测效果更好,而且相对于已有的组合预测模型也显示出更好的预测效果,在交通事故的预测方面具有一定的应用价值。 相似文献
9.
杨德志 《辽东学院学报(自然科学版)》2011,18(3):224-227
研究粒子群算法(PSO)优化最小二乘支持向量机(LS-SVM)的参数时,受到搜索空间有限的限制,容易陷入局部极值,直接影响罐容表的标定精确度的问题。针对该问题,作者采用量子粒子群算法(QPSO)选取LS-SVM的径向基核参数进行优化,建立了基于QPSO-LS-SVM的罐容表标定的软测量模型。仿真实验结果表明:该方法不用... 相似文献
10.
贝叶斯证据框架下LS-SVM的BPMSM磁链建模 总被引:1,自引:0,他引:1
针对常规解析法建立无轴承永磁同步电机(BPMSM)磁链模型的局限性,提出一种贝叶斯证据框架下最小二乘支持向量机(LS-SVM)的BPMSM磁链建模方法.对BPMSM磁链的非线性建模进行简单分析,在介绍LS-SVM回归理论和贝叶斯证据框架基本思想的基础上,通过贝叶斯证据框架推断准则1确定模型的权向量w,通过贝叶斯证据框架推断准则2确定模型的正则化参数γ,通过贝叶斯证据框架推断准则3确定模型的核参数σ,进而建立基于贝叶斯证据框架下LS-SVM的BPMSM磁链模型.在Matlab7.0环境下进行仿真研究.仿真结果表明,贝叶斯证据框架下LS-SVM的磁链模型具有拟合精度高、泛化能力强、结构灵活、计算速度快等特点. 相似文献
11.
To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized. 相似文献
12.
基于12电极电容层析成像(ECT)和最小二乘支持向量机(LS-SVM),提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像,结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入,利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时,首先辨识流型,然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程,提高了空隙率测量的实时性.实验结果表明该测量方法是有效的. 相似文献
13.
为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法(Bayesian-LSSVM)建立管网用户需水量时间序列预测模型(BL模型),得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型(RM模型),得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型(BL+RM模型)明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要. 相似文献
14.
基于LS-SVM的结构可靠度响应面分析方法 总被引:5,自引:0,他引:5
金伟良,袁雪霞 针对实际工程中常见的功能函数不能显式表达的可靠性分析问题,提出了一种基于最小二乘支持向量机(LS-SVM)的结构可靠度响应面分析方法.采用正交试验设计和有限元程序生成学习样本,并依据各随机变量的概率分布抽样得到检测样本;利用LS SVM的高度非线性映射能力,建立了结构响应量与随机变量之间的映射关系.进而结合Monte-Carlo原理,计算结构的失效概率.新方法可直接应用现有的有限元分析程序,对大型结构进行可靠性分析.通过典型工程结构的算例分析,结果表明该方法具有较好的效率和精度. 相似文献
15.
基于最小二乘支持向量机的时用水量预测模型 总被引:14,自引:2,他引:14
针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力. 相似文献