最小二乘支持向量机在楼宇流量预测中的应用

对于利用变频技术进行的恒压变流量二次供水系统,为了始终保持系统在高效区运行,必须使设备所选水泵的搭配及使用与用户用水规律相吻合,这就需要对用户的用水流量分布规律进行预测。将最小二乘支持向量机应用于流量趋势预测,并通过试验方式着重讨论了模型特征的选取对模型精度的影响,最终建立了基于最小二乘支持向量机的流量预测模型。经实际应用证明,采用该方法进行流量预测是可行的;此外,时段、压力以及节假日特征与流量之间的关联程度较大,适合作为预测模型的训练特征。     

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。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于最小二乘支持向量机的瓦斯涌出量预测模型

瓦斯涌出量的准确预测对于通风系统的设计、瓦斯防治、安全管理有着重要意义,可以有效减轻采煤工作面的危险程度,同时提高煤矿业在燃料市场中的竞争能力。本文简述了瓦斯涌出量预测的价值和曾出现的各种方法,提出了基于遗传算法(Genetic Algorithms,GA)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期瓦斯涌出量预测方法,以某煤矿回采工作面瓦斯涌出量与影响因素为例,建立了GA-LSSVM预测模型,根据上述煤矿的数据进行实例验证,结果表明文中的方法显著优于神经网络的预测结果。     

基于最小二乘支持向量机的车辆位置缺失信息预测方法研究

车联网的不断发展加速了车辆通信的发展,但在车联网的DSRC通信模式下,车辆的位置信息受到高密度广播和电磁辐射等因素的干扰,导致GPS采集的原始车辆信息数据丢失,因此提出了基于最小二乘支持向量机的信标数据补齐算法.与以往研究中利用车辆运行的历史趋势预测车辆位置的方法不同,该方法试图找出一个函数来建立车辆的丢失值与过去值的...     

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.     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

基于最小二乘支持向量机的板结构损伤识别

利用最小二乘支持向量机LS-SVM(Least Squares Support Vector Machine)回归技术对一承受大冲击荷载的平台板结构进行损伤识别。基于贝叶斯框架优化了LS-SVM回归模型;并用数值仿真方法检验了该方法的有效性。最后,对该方法在工程实际应用的可行性进行了讨论。结果表明:该方法能够精确识别结构损伤位置,在一定范围内能精确识别结构损伤程度;并且以结构固有频率作为输入参数,减少了结构健康监测系统的成本和安装复杂程度,有很好的推广应用价值。     

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。     

支持向量机在地面沉降预测中的应用

在统计学理论和结构网络最小化准则的基础上,建立了基于支持向量机（SVM）理论的地面沉降预测数学模型。在算例分析中与BP神经网络预测进行了对比,发现该法具有收敛速度快,泛化能力强等特点,在地面沉降预测中非常有效。     

基于粒子群优化最小二乘支持向量机的离心式制冷机故障诊断

针对制冷系统传统故障诊断正确率低的问题,引入最小二乘支持向量机(LSSVM)算法用于制冷系统故障诊断。在LSSVM模型基础上,结合粒子群优化(PSO)得到PSOLSSVM模型,利用特征选择方法优化得到LSSVM8模型,利用组合方法得到PSO-LSSVM8模型。分析比较了4种模型的诊断性能。结果表明:PSO-LSSVM模型、LSSVM8模型均可改善基于LSSVM模型的制冷系统故障诊断性能,尤其是对于制冷剂泄漏/充注量不足故障,准确率分别提高1.04%,1.24%;PSO-LSSVM8模型比采用单种优化方法的诊断模型具有更好的诊断性能,可克服人为选择参数的盲目性,在全局优化与收敛速度方面具有较大优势,应用于制冷系统故障诊断具有较好的可行性。     

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。     

支持向量机在基坑位移监测曲线降噪中的应用

介绍了测斜仪的基本原理,分析了其误差来源,阐述了最小二乘支持向量机降噪的原理,并将其应用到对基坑位移监测数据的降噪中,最后结合实例说明该方法可行且高效的结论。     

支持向量机在建筑能耗预测中的应用

建筑领域空调的冷热源往往由储能设备预测未来24 h建筑的能源使用情况,为供能设备的调度策略提供依据,实现按需供能,能更好地推进建筑节能工作.结合建筑物的业态特性,对能耗预测中存在的问题,包括数据的预处理、预测样本的建立、核函数的选取及参数的优化方法,进行了分析.采用某园区的实际空调能耗数据,对数据进行分析处理并用不同方法进行仿真测试,仿真结果表明支持向量机在空调能耗的预测中是一种有效的方法.     

冲击地压危险性预测的最小二乘支持向量机模式识别

冲击地压受到多种复杂因素的影响，对其危险性进行预测可看成非线性、高维数、小样本的多类模式识别问题。利用最近发展的新的机器学习方法——支持向量机，提出了冲击地压危险性预测的最小二乘支持向量机方法，建立了预测模型，很好地表达了冲击地压危险等级与其影响因素之间的非线性关系。算例结果表明，该预测方法是可行的，且可以获得较高的准确度。     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。     

支持向量机在隧洞超挖预测中的应用

介绍了支持向量机算法及围岩破坏模式识别的支持向量机算法,利用支持向量法分类算法对隧道围岩超挖块体的大小进行了分类,并建立了预测模型,计算结果表明用支持向量机能较好地预测超挖块体的大小。     

稀疏最小二乘支持向量机及其应用

提出基于特征向量选择(feature vector selection,FVS)的稀疏最小二乘支持向量机(sparse least squares support vector machine,SLS-SVM)模型,解决最小二乘支持向量机(least squares support vector machine,LS-SVM)稀疏化问题。采用FVS在特征空间构建特征向量子集,对训练样本进行稀疏线性重构;将稀疏化的特征向量作为支持向量,从而实现对LS-SVM稀疏化建模。将SLS-SVM模型进行弓网系统的仿真对比实验,结果表明SLS-SVM模型在取得高预报精度的同时,可实现支持向量的高度稀疏化,从而加快模型预报速度。     

偏最小二乘在软土路基沉降预测中的应用研究

阐述了偏最小二乘的建模方法,以软土路基沉降预测为例,选取了5个相关性很强的自变量,用偏最小二乘方法和最小二乘法各自建立预测模型,从预测结果看,偏最小二乘预测模型具有更好的预测效果,在处理共线问题上具有一定的优势。     

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...