基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

基于CPSO-LSSVM的陀螺仪故障趋势预测

为了提高最小二乘支持向量机(LSSVM)的学习性能和泛化能力,提出了混沌粒子群优化(CPSO)算法和交叉验证(CV)算法相结合的LSSVM参数寻优方法.CPSO算法将混沌搜索引入到粒子群算法中产生初始混沌粒子,并在粒子运动中不断加入混沌扰动,实现LSSVM参数的自动选取.利用交叉验证误差构造粒子的适应度函数,为参数选择提供评价标准.陀螺仪随机漂移是影响陀螺仪性能可靠性的主要因素,将经过参数寻优的LSSVM用于建立陀螺仪随机漂移的时间序列预测模型,预测值与实际值相差较小,可为陀螺仪的故障趋势预测提供依据.实验结果表明CPSO算法是选取LSSVM参数的有效方法,所建的回归模型具有较高的预测精度.     

基于WOA-LSSVM的锅炉NOx排放量预测模型

精准可靠地预测锅炉NO_x排放量对电站锅炉低氮运行有着重要意义,为了提升模型的预测效果,提出一种基于鲸鱼优化算法-最小二乘支持向量机(WOA-LSSVM)的锅炉NO_x排放量预测建模方法。首先归一化处理初始样本数据,然后通过WOA算法对LSSVM中的核函数宽度和惩罚因子两个参数进行寻优求解,建立WOA-LSSVM黑箱模型,最终得到模型输出,同时将采用果蝇优化算法(FOA)、粒子群优化算法(PSO)优化参数建立的LSSVM预测模型和单一LSSVM预测模型作为对比研究。仿真结果表明,采用WOA优化的LSSVM模型在NO_x排放量预测方面明显优于其他选定模型,具有稳定且较高精度的仿真性能。     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于改进孪生支持向量机的热电厂脱硫系统pH值预测

在热电厂脱硫过程中,pH值直接影响脱硫的效率,若pH测量仪器受到环境的影响被破坏,会给生产造成巨大的损失。为了降低这种损失,采用改进的孪生支持向量机回归模型对pH值进行预测,首先将粒子群算法的权值和学习因子进行改进,然后用改进之后的粒子群算法对孪生支持向量机回归模型的惩罚参数和核函数的参数等进行寻优,再将最优的参数代入孪生支持向量机预测模型中,最后用MATLAB工具箱对pH值历史数据进行仿真,并与未改进的孪生支持向量机和BP神经网络预测技术进行比较。结果表明:该方法对脱硫系统中pH值的预测精度高,平均相对误差比未改进的孪生支持向量机和BP神经网络的预测结果小,能够显著改善脱硫装置的效率。     

小样本条件下航空装备费用预测

为了提高小样本条件下的航空装备费用预测的精度,将信息扩散方法和支持向量机相结合,提出了信息扩散支持向量机预测模型,对模型的拓扑结构、建模步骤进行了描述.为了采用粒子群优化算法为模型选择合适的参数,考虑到模型参数既有连续变量,又有离散变量,提出对粒子位置的各个分量采用不同的更新策略.将信息扩散支持向量机应用于军用飞机机载...     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于相位划分的下肢连续运动预测

为了实现针对特定个体的运动特点进行更精确的下肢连续运动预测和用更短的时间开展预测模型训练,采用对每个步态相位都建立预测模型的方法. 在识别出当前的步态相位后,使用当前相位的预测模型进行关节角度的预测. 使用支持向量机（SVM）,对提出的方法进行验证. 实验表明,采用基于相位划分的下肢连续运动预测方法相比于对整个运动状态进行关节角度建模的预测方法,具有更高的预测精度和更短的模型训练时间. 髋、膝、踝关节的预测结果与真实值的相关系数均大于0.99,每次预测的角度与真实值的平均均方根误差均小于2°,训练时间缩短4.0~5.0倍.     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

Actuator fault diagnosis of autonomous underwater vehicle based on improved Elman neural network

Autonomous underwater vehicles(AUV) work in a complex marine environment. Its system reliability and autonomous fault diagnosis are particularly important and can provide the basis for underwater vehicles to take corresponding security policy in a failure. Aiming at the characteristics of the underwater vehicle which has uncertain system and modeling difficulty, an improved Elman neural network is introduced which is applied to the underwater vehicle motion modeling. Through designing self-feedback connection with fixed gain in the unit connection as well as increasing the feedback of the output layer node, improved Elman network has faster convergence speed and generalization ability. This method for high-order nonlinear system has stronger identification ability. Firstly, the residual is calculated by comparing the output of the underwater vehicle model(estimation in the motion state) with the actual measured values. Secondly, characteristics of the residual are analyzed on the basis of fault judging criteria. Finally, actuator fault diagnosis of the autonomous underwater vehicle is carried out. The results of the simulation experiment show that the method is effective.     

舵桨联合操纵的自主式水下机器人运动控制

针对水下机器人舵桨切换操作时,由于控制输出突变而导致系统振荡甚至发散的现象,提出一种切换函数平滑指令输出;同时考虑到高速航态下,纵向速度对其他自由度运动的耦合影响,提出一种基于运动补偿的改进S面控制方法.该方法S面控制器结构简单、参数易于调整,解决了S面控制器在水下机器人高速航行下控制效果较差的问题.利用李雅普诺夫函数对该控制器进行了稳定性分析,将其应用于舵桨联合操纵的水下机器人的运动控制.速度控制、艏向控制及深度控制,试验结果验证了该方法在水下机器人运动控制中应用的可行性.     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和ggamma值进行寻优,建立起2010年1月～2011年12月林下参的价格预测模型。利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM（Support Vector Machine）对预测集1的预测相关系数为97.316%。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

A PSO-SVM Model for Short-Term Travel Time Prediction Based on Bluetooth Technology

The accurate prediction of travel time along roadway provides valuable traffic information for travelers and traffic managers. Aiming at short?term travel time forecasting on urban arterials, a predict...     

LS-SVM在城市供热系统热负荷预测中的应用研究

为了对热负荷及时准确的预测,采用最小二乘支持向量机(Least squares support vector machines,LSSVM)算法,结合网格搜索的交叉验证参数寻优建立预测模型。实验表明,与遗传算法参数寻优的SVM相比,计算速度提高27倍,均方误差提高3倍,拟合相关参数达到99%,说明该模型能快速准确的预测预测下一个工作日的短期热负荷,是一种可行的、有效的预测方法。