克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

为改善最小二乘支持向量机的泛化性能,将克隆规划、交叉验证相结合的优化算法用于最小二乘支持向量机的参数优化．克隆规划算法是具有局部、全局搜索能力的优化算法,能有效避免陷入局部极值;交叉验证算法的无偏估计性抑制了训练过程中“过拟合”和“欠拟合”．在该优化算法中,用交叉验证误差构造抗体抗原亲合度,用克隆规划算法寻找最小二乘支持向量机的最优参数．用优化的最小二乘支持向量机回归模型建立了惯性器件时间序列预测模型．实验结果验证了算法的有效性及预测模型的泛化性能．预测模型为动态补偿、故障预测提供了依据．     

小波消噪和优化支持向量机的网络流量预测

为了提高对网络流量的预测精度,提出了一种小波消噪和改进黏菌算法优化支持向量机的网络流量预测模型。 首先应用小波消噪对网络流量进行消噪处理,采用支持向量机作为预测模型。 由于支持向量机预测结果受模型参数影响较大,采用带有随机惯性权重机制的改进黏菌算法来优化支持向量机模型中惩罚因子以及核函数参数。 对所提模型使用最佳参数进行仿真实验,并利用实际采集的网络流量数据进行验证。 实验结果表明,所提模型在评估指标上均优于对比模型。     

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.     

回转干馏炉内油页岩停留时间模型建立及其预测

为了提高估算MRT精度,文中采用支持向量机算法对求解MRT问题进行了建模,并在一定约束条件下,利用Gridregression.py寻找回归最优参数方法对支持向量机模型的参数进行了优化,获得了最优的模型参数.支持向量机模型将操作参数和结构参数作为输入量,MRT作为输出量,用实验数据对模型进行了校验和参数的寻优,利用优化...     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

基于优化的随机森林心脏病预测算法

为适应优化算法的模型,用K近邻方法对数据进行预处理,提出了KNN-RF模型.对数据集用K近邻进行缺失补充,并进行归一化等预处理操作,以随机森林算法为基础,并采用交叉检验和网格搜索寻找最佳参数.在比较流行的UCI心脏病数据集和克利夫兰医学中心公开数据集分别进行实验,建立了心脏病预测模型,用于辅助医生对患者是否患有心脏病进...     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

武器系统费用估算的支持向量机模型优选

针对武器系统费用估算中的诸多问题,提出了采用最小二乘支持向量机方法建立费用估算模型,同时考虑到支持向量机建模过程中正则化参数以及核参数的重要性,提出了一种层次化网格搜索算法,并将其用于支持向量机模型参数的优化中.该算法能根据实际问题所需要的计算精度要求,定义合理的搜索层次和间隔,可以比较方便快捷地得到满足实际需求的计算结果.经过实际计算表明,该方法能够有效地得到模型的优化参数,而且整个优化过程非常清晰,模型泛化性能较好.     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

基于网格搜索和支持向量机的灰熔点预测

为了预测混煤的灰熔点,采用支持向量机建立煤灰软化温度模型,模型将煤的灰成分作为输入量,煤的软化温度作为输出量,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行了优化,在设定的不同精度下分别获得模型的最优参数,利用优化后的模型对单煤和混煤的灰熔点进行了预测,并将不同精度下的预测结果与实验结果进行对比.煤灰软化温度模型设定精度为0.01时,单煤样本预测相对误差最小,其最大相对误差和平均相对误差分别为3.00%和0.48%;运用此模型对混煤预测的最大相对误差和平均相对误差分别为1.74%和0.62%.预测结果表明,经网格搜索优化后的支持向量机模型对煤灰熔点预测较精确.     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

基于改进网格搜索法的SVM参数优化

支持向量机的学习和泛化能力很大程度上取决于其相关参数的选取.针对传统网格算法的不足,引入全局粒子群算法,利用其能够快速到达最优解附近的优势:先使用粒子群算法进行粗搜;再使用网格搜索法进行小步长的精细搜索得到最优解.实验结果表明:基于改进的网格搜索法SVM对比传统网格搜索法SVM,在预测精度和运算时间上都具有优势.     

基于支持向量机回归的二次网供热负荷预测分析

为提高供热负荷预测精度,在传统支持向量机回归(SVMR)基础上,通过网格搜索(GS)及遗传算法(GA)对惩罚参数C和核函数(径向基函数)参数γ两个重要参数寻找最优参数组合,由此得到最佳预测模型,并采用均方误差、平均绝对误差和判定系数R23种方法对SVMR、网格搜索-K折交叉验证-SVMR(GS-KCV-SVMR)和遗传...     

多分类支持向量机在公交换乘识别中的应用

为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.     

基于果蝇优化的支持向量机回归模型

给出一种基于果蝇优化的支持向量机回归模型。将支持向量机惩罚因子和核函数参数初始化为果蝇群体,根据果蝇优化算法原理,依据适应度最优原则进行迭代觅食,搜索最优参数,建立模型。将该模型用于分析有机化合物熔点预测问题,结果显示,该模型预测均方误差为3.02%,相关系数达到89.39%。