基于支持向量机的离心泵磨损特性研究

摘要: 针对离心泵磨损机理错综复杂和高度非线性的特点，提出了基于最小二乘支持向量机（LSSVM）的离心泵磨损特性分析方法，通过对算法的实现，建立了离心泵的磨损特性分析和几何参数优化的智能模型，模拟得到复杂和非线性很强的离心泵的磨损特性关系，分析了磨损随轮叶片几何参数的变化规律。与神经网络和普通支持向量机进行了性能比较，参数优化选择的LSSVM磨损预测的平均相对误差只有0.005%，学习速度为12步，训练时间为1.1秒，学习速度和预测精度得到了很大的改善。为离心泵的磨损特性分析和离心泵的抗磨可靠性设计提供了一种可行的借鉴方法。     

基于遗传算法和最小二乘支持向量机预测泰东河日流量研究

向量机在解决小样本、非线性、高维数和局部极小点等问题中有着出色的性能,最小二乘支持向量机在向量机基础上减少了参数个数、降低了计算复杂度、缩短了运算时间。遗传算法对于非线性等复杂系统优化问题容易得到优化解。尝试由遗传算法求解最小二乘支持向量机参数,再将最小二乘支持向量机应用于泰东河日流量预测。实例表明此方法预报精度较高。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。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,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。     

果蝇优化算法在区域高程拟合中的应用

针对最小二乘支持向量机拟合法难以选择最优参数的问题,将果蝇优化算法引入最小二乘支持向量机中,构建区域GPS高程拟合模型的方法,利用果蝇优化算法全局寻优能力强、过程简洁、参数少等优点,解决最小二乘支持向量机的参数寻优问题,并通过最小二乘支持向量机来构建高程拟合模型。结果表明,与BP神经网络拟合方法相比,引入果蝇优化算法的最小二乘支持向量机拟合方法具有更高的稳定性,内符合精度比标准最小二乘支持向量机提高了26%。     

基于最小二乘支持向量机的降雨量预测

鉴于降雨量受众多因素的影响和具有复杂的非线性特点,提出将最小二乘支持向量机用于预测降雨量.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化线性方程组求解,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.在Matlab环境下建立了最小二乘支持向量机的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高.与基于RBF神经网络的降雨量模型相比,基于最小二乘支持向量机的降雨量模型具有更强的预测能力.     

基于最小二乘支持向量机的PG9171E型燃气轮机气耗特性建模研究

采用最小二乘支持向量机的方法对GE公司PG9171E型燃气轮机的气耗特性进行了高精度拟合研究并与传统的最小二乘法的拟合结果进行了比较。仿真和试验结果表明,采用最小二乘支持向量机的方法在燃气轮机的变温度、变负荷等变工况下,气耗率的拟合可得到更加精确的结果。     

最小二乘支持向量机参数反演方法及其应用

针对最小二乘支持向量机(LS-SVM)参数不易确定的问题,利用遗传神经网络模拟LS-SVM计算结果与参数之间的关系,提出了一种基于遗传神经网络(GA-BP)的参数选择方法,该方法利用正交分解法构建训练参数组,并将参数组代入最小二乘支持向量机以获得计算输出值,然后将计算输出值与训练参数组代入遗传神经网络进行训练并获得合适的LS-SVM参数。最后以土石坝渗流分析为例进行验证,结果表明该方法对优化选择最小二乘支持向量机参数十分有效,预测精度可达10-4。     

基于遗传算法和最小二乘支持向量机的水位流量关系拟合

试由遗传算法求解最小二乘支持向量机参数,再将最小二乘支持向量机应用于水位流量关系拟合。实例表明,此方法拟合精度很高,在水文资料整编中有着广阔的应用前景。     

LS-SVM在澜沧江水库群运行调度中的应用研究

利用最小二乘支持向量机(LS-SVM)的径流预测方法建立澜沧江月径流预测模型,对月径流进行预测,与季节性水平模型预测结果进行对比,并将预测结果运用于澜沧江水库群调度。结果表明,基于最小二乘支持向量机的模拟预测训练期和预测应用期的模型效率系数分别高达80%和88%,年均最大和最小径流相对误差仅为10%,精度较季节性水平模型更高,说明将最小二乘支持向量机用于澜沧江月径流预测是可行的,可满足澜沧江水库群调度的需要。     

基于模糊最小二乘支持向量机的系统边际电价预测

系统边际电价是电力市场的核心因素。为了减少样本数据中孤立点对回归性能的影响，将模糊隶属度的概念引入到最小二乘支持向量机中。同时采用网格搜索和交叉验证的方法寻找最佳参数组合，使算法性能达到最佳。以美国加州电力市场的实际数据作计算实例，分别采用标准三层BP神经网络和模糊最小二乘支持向量机进行系统边际电价预测，结果表明该方法有效提高了预测精度。     

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。     

大坝安全监测的兽棒最小二乘 支持向量机模型

针对目前在大坝监测模型中应用较多的支持向量机模型,以土坝沉降监测实例比较分析了监 测数据中是否含有异常值的两种情况的最小二乘支持向量机监测模型的拟合精度与预测精度,发现异 常值的影响不容忽视。通过改进支持向量机模型中的损失函数,建立了大坝安全监测的普棒最小二乘 支持向量机模型(RLS一SVM )。实例分析表明:不论监测数据是否含有异常值RLS一SVM均可达到较 好的拟合精度和预测效果,优于普通LS一SVM模型。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

基于SVM的河道洪峰水位校正预报方法

针对平原河网地区河道洪峰水位预报中经验模型可靠性不足的问题,提出一种基于SVM的河道洪峰水位校正预报方法。采用谱系聚类法对历史洪水过程数据按降雨特性分类,选择与预报降雨过程最接近的历史数据训练预报模型;采用PCA对输入数据降维以提取有效特征;基于支持向量回归机建立河道洪峰水位预报模型;采用滚动模式对洪峰水位预报,每小时根据最新水位以及降水信息预报未来洪峰水位,不断提高预报精度。通过对京杭运河拱宸桥站的洪峰水位实例预测验证了该研究方法的有效性。     

基于PSO-SVM的大坝渗流监测时间序列非线性预报模型

大坝渗流监测分析是大坝安全监控的重要内容，预测分析的难点之一在于渗流监测数据往往具有复杂的非线性特点。本文充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点，采用粒子群算法快速优化支持向量机的模型参数，通过该模型对非线性监测数据进行拟合，建立了基于PSO_SVM的大坝渗流监测的时间序列非线性预报模型。本模型应用于隔河岩水电站的坝基渗流量的预测，计算结果与实际监测值吻合良好。     

支持向量机在围岩稳定性分类中的应用

在分析不同围岩稳定性分类方法及支持向量机算法的基础上，提出基于支持向量机的围岩稳定性分类方法。随后采用Matlab语言编程，建立了相应的围岩稳定性分类模型。以某蓄能电站一期工程的实例数据为学习样本，进行学习测试，得到训练效果较佳的分类模型，并用此模型对其二期工程的围岩进行了分类。分析中同BP神经网络算法进行了对比，结果表明，用支持向量机方法来进行围岩稳定性分类是可行的，且具有一定的优越性。