基于最小二乘支持向量机的蜡沉积速率预测

考虑蜡沉积影响因素的复杂性和最小二乘支持向量机在小样本预测方面的优势,基于最小二乘支持向量机预测的原理,通过优化最小二乘支持向量机的参数,建立了蜡沉积速率的预测模型,并对蜡沉积速率进行了预测。结果表明：该方法在样本数量较小时仍具有较高的精度,蜡沉积速率的预测值和实验值的吻合程度较好;最小二乘支持向量机建模时可以得到直观的函数表达式,而神经网络方法却不能得到模型的显式表达式,因此该方法具有明显的优势;应用径向基核（RBF）作为核函数时,不同初值的正则化参数?和核函数宽度?对预测结果具有较大影响,使用时应合理选择。     

含蜡原油蜡沉积模型预测方法研究

含蜡原油在管道中流动时,随着油温的降低,在管壁处会出现蜡沉积的现象,为保障管道安全平稳的运行,对蜡沉积速率进行预测具有重要的意义。从蜡沉积的影响因素出发,利用已有试验数据,采用贝叶斯正则化算法、Levenberg-Marquardt算法以及标度共轭梯度算法建立三种改进BP神经网络算法,进行蜡沉积速率预测实验。结果发现三种算法中精度最高的算法为贝叶斯正则化算法,为蜡沉积模型预测提供了参考。     

基于涡流搜索算法的支持向量机分类模型

提出一种将涡流搜索算法用于支持向量机参数选取的新算法,利用该算法不必遍历搜索空间内所有的参数点即可找到全局最优解。给出了具体的算法流程,并进行了仿真。仿真实验结果表明涡流搜索算法是选取SVM参数的有效方法。     

基于灰色模型的原油管道蜡沉积速率预测

基于灰色模型理论和建模思想,GM(0,N)模型可计算多个影响因素间相互作用的拟合和预测结果,建立GM(0,5)模型并与黄启玉模型进行误差对比分析,对原油管道蜡沉积速率进行预测.拟合出GM(0,5)模型蜡沉积速率平均相对误差为0.8855％,预测出GM(0,5)模型蜡沉积速率平均相对误差为15.0369％,精度都远优于黄...     

基于支持向量机回归的天然气负荷预测研究

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas shortterm load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction has been developed, which has also been applied in practice.     

支持向量机综述

支持向量机是基于统计学习理论的一种新的机器学习方法,因其出色的学习性能在国内外学术界引起了日益广泛的重视。本文介绍了支持向量机的基本原理,回顾了SVM近年来的研究与应用,并给出了总结和展望。     

基于多核支持向量机的非线性模型预测控制

Multi-kernel-based support vector machine （SVM） model structure of nonlinear systems and its specific identification method is proposed, which is composed of a SVM with linear kernel function followed in series by a SVM with spline kernel function. With the help of this model, nonlinear model predictive control can be transformed to linear model predictive control, and consequently a unified analytical solution of optimal input of multi-step-ahead predictive control is possible to derive. This algorithm does not require online iterative optimization in order to be suitable for real-time control with less calculation. The simulation results of pH neutralization process and CSTR reactor show the effectiveness and advantages of the presented algorithm.     

基于支持向量机的氨含量预测模型

氨合成反应器出口氨含量与其影响因素间存在较强的非线性关系,为其建模,可预报氨含量,进而指导生产、优化反应器的操作.本文运用具有较强的非线性拟合能力和基于结构风险最小化原则的支持向量机,建立了氨含量的预测模型,验证表明,该模型具有较强的拟合和预测能力.     

基于最小二乘支持向量机的天然气负荷预测

对城市天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义．在国内,对于城市天然气负荷预测的研究才刚刚起步,目前还没有较系统的理论．同技术与理论较为成熟的电力负荷预测研究相比较,两者既有许多相同点,又有不同之处．相同之处在     

基于蜻蜓算法优化支持向量机的滚动轴承故障诊断

针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。     

支持向量机在混炼胶质量预测中的应用

介绍支持向量机（SVM）的原理，并试验研究密炼过程中应用SVM模型对混炼胶质量进行预测。结果表明，SVM预测模型所得结果与回归分析法模型的预测结果接近，且具有更强的泛化能力；其预测误差控制在门尼粘度均值的3％以内。     

基于支持向量机的精馏塔模糊预测控制算法研究

利用模糊预测控制,依据支持向量机对模糊预测控制方法中的预测模型进行训练,以精馏塔的塔顶回流控制为例,通过仿真研究了支持向量机作为预测模型训练方法在模糊预测控制中的应用,得到了较好的控制效果。利用支持向量机与模糊预测控制结合,进一步发挥了信息处理方法在过程控制中的应用。     

支持向量机在炸药爆热预测中的应用

根据支持向量机(SVM)理论,基于支持向量回归机(SVR)原理。利用Matlab语言,设计炸药爆热预测模型,通过已知炸药爆热预测,对模型进行验证,并对另外几个炸药进行预测。结果表明,SVR模型对爆热的预测可以得到较好的预测结果,运行速度较快,精度较高,具有良好的应用前景,可为爆热预测提供理论依据。     

改进蚁群算法在支持向量机参数中的应用

提出一种改进的蚁群算法(即交叉验证法与蚁群算法的有效结合)对支持向量机的参数进行优化。首先通过交叉验证法得到支持向量机参数,然后在这些参数中确定蚁群算法的搜索空间,最后在该区间上选取最优参数。仿真结果表明:使用该方法优化支持向量机参数可以在较短时间内寻找到最优解,进而缩短搜索时间,提高识别准确率。     

支持向量机法预测严酷环境混凝土的抗压强度

以16种强度影响因素为输入参量,混凝土抗压强度为输出参量,通过支持向量机(SVM)法建立预测模型。搜集处理了6300组样本数据,以5900组样本为训练集,400组样本为测试集,采用K-交叉验证法选择得到最佳的核函数参数g和惩罚因子c;以决定系数(R^2)、平均相对误差(MAPE)和均方根误差(RMSE)为指标评价模型的预测精度。结果表明,SVM预测模型可以较好地用于混凝土抗压强度预测,且泛化能力较强。     

基于支持向量机的机械设备故障诊断研究

大多数情况下,机械设备故障模式识别属于一个小样本机器学习问题,通过小样本进行故障诊断往往精确度不高,但是支持向量机能够对小样本进行故障诊断分析,文章将研究基于支持向量机的机械设备故障诊断,通过对支持向量机多类分类算法中的二叉树进行改进,然后选择合适的核函数并对其相关参数进行优化,最后将改进的方法应用到旋转机械故障诊断中...     

采空区塌陷预测的支持向量机方法

针对采空区坍塌预测中诸多因素不确定性问题,应用支持向量机理论并结合工程实际.建立了采空区塌陷预测的支持向量机(SVM)模型.选取覆盖层类型、厚度、矿层倾角、地质构造、采空区距地表的垂直深度、体积率、空间叠置层数等7个影响因子作为采空区塌陷预测的SVM模型的判别因子,利用支持向量机结构风险最小化原则,在某矿区采空区实测数...     

智能算法模型预测蜡沉积研究进展

原油蜡沉积是石油工业面临的一个严重问题,关系着清管周期的确定及运行能耗等问题。从蜡沉积预测模型的角度出发,阐述了目前常用的智能算法模型,论述了该类模型在蜡沉积预测方面的应用情况,指出了存在的问题,并进行了总结与展望。     

原油管道内蜡沉积速率预测及分析

分别运用灰色预测理论和灰色神经网络理论对原油管道内的蜡沉积速率进行了预测分析;应用灰色人工神经网络理论,考虑剪切应力、温度梯度、粘度以及浓度梯度4个影响因素作为主要因素的对原油管道内的蜡沉积速率进行的预测,与传统的灰色预测方法相比,所得到的预测值更为接近实际值,蜡沉积速率的相对误差绝对值在1．6％以内,灰色神经网络用于管道内蜡沉积速率预测的效果良好,能为原油管道蜡沉积规律的深入研究和制定合理的清蜡周期提供理论依据。