基于粒子群优化的最小二乘支持向量机税收预测模型研究

针对税收收入预测存在着非线性、不稳定性和多经济因素影响的复杂性,提出用最小二乘支持向量回归机的方法对广东省从化市的税收收入进行预测,并建立数学模型。由于模型中的参数C和σ²直接影响支持向量机的预测效果,因此巧妙地融合了粒子群优化算法的思想,采用粒子群算法对参数进行寻优来确保预测模型的精确性和稳定性。仿真实验结果表明,相对于各参比模型,用粒子群算法对参数进行寻优的最小二乘支持向量回归机的预测精度有了显著提高,从而说明了该模型的有效性和实用性。     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

基于粒子群最小二乘支持向量机的水文预测

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题,给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立,参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测,仿真计算结果表明,该算法可提高预测效率与预测精度。     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

最小二乘支持向量机建模及应用

在白酒酿制过程中,淀粉的利用率是一个重要而又难测的质量参数.工业多采用化学分析法进行测量,但是该方法需要离线测量,且存在耗时长、误差大的缺陷.针对此问题,提出粒子群优化最小二乘支持向量机回归方法实现淀粉利用率的在线预测.根据酿酒发酵过程的离线数据,建立最小二乘支持向量机回归模型,采用粒子群算法对模型参数进行优化.仿真结果表明,所提方法建立的模型对于淀粉利用率的预测具有较高的预测精度及泛化能力,是一种解决淀粉利用率难测问题的好方法.     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

基于粒子群优化的最小二支持向量机在页岩气井当中的产量预测应用

石油与天然气开发、生产运营期间,在确保质量的前提下,为了尽可能保证企业的利润空间,运营平台的合理管理和规划、页岩气井的生产调度、经济管控、资源分配最优化是提高该指标的重要措施。页岩气井的产量预测是直接影响这一系列措施的重要参考指标之一。基于此背景,将最小二乘支持向量机应用于页岩气产量预测,以期发挥指导页岩气井生产运营的作用。基于此,概述原理性了采用的方法,利用粒子群优化处理实际工程数据,利用MATLAB完成实际数据仿真,并验证预测数据与实际生产数据。结果表明,收敛性好,预测精度和训练速度较高,对实际生产具有一定指导意义。     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。     

基于综合模型的中长期电力负荷预测系统的实现

详细地论述了负荷预测软件的设计思想和实现,并系统地阐述了用于电力系统中长期负荷预测的综合模型的具体实现方法,进行了仿真实验。     

基于BP网的中长期负荷预测因素优化选择

基于人工神经网络原理,设计一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取影响电力负荷的一些经济因素作为BP人工神经网络的输入变量,采用新定义的方差贡献法对输入变量进行优化选择,对预测精度的影响进行探讨。仿真结果证明,采用方差贡献法对影响中长期电力负荷预测的相关因素进行优化选择是可行有效的。     

中长期电力负荷预测系统的设计与开发

详细论述了负荷预测软件设计思想，包括软件结构，数据库技术以及功能描述等，软件集成了数据录入，数据导出，数据查询、负荷预测和安全管理等功能。     

中长期电力负荷预测研究

为了有效地提高电力负荷的预测精度,针对影响中长期电力负荷多因素间的非线性和不确定性,提出了一种粗糙集(RS)和最小二乘支持向量机(LSSVM)相结合的中长期电力负荷预测方法.采用粗糙集理论把影响电力负荷的六个因素,属性约简为三个核心属性,减少了LSSVM的输入量,提高了电力负荷预测系统的快速性;粗糙最小二乘支持向量机回归建模,构造RS-LSSVM的电力负荷预测模型,提高预测的精度.最后进行仿真,改进模型应用于某地区的中长期电力负荷的拟合和预测中,采用RS-LSSVM模型,与BP神经网络的拟合预测结果相比,预测误差明显小于BP神经网络,具有更高的预测精度,为中长期的电力系统负荷预测提供了一种新的科学、有效的方法.     

两次拟合灰色模型在中长期电力负荷预测中的运用

针对普通灰色预测模型在预测过程中当历史数据有较大波动时预测精度较差的问题，对两次拟合等维灰色预测模型进行研究，并对其进行改进，通过对华北某地区用电量的建模预测验证其有效性。两次拟合灰色预测模型是利用一次拟合的结果重新建模，经研究发现当历史数据有较大波动时，利用两次拟合灰色预测模型进行预测可以提高模型的精度。     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

应用混沌理论的电力系统短期负荷预测

应用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于知期负荷预测。不直接考虑气候等随机因素，只要根据过去负荷时间序列及计算所得的Ｌｙａｐｕｎｏｖ指数规律，就可得到较高的预测精度。对东北电网实际负荷时间序列进行预测，取得满意的结果。     

中长期电力负荷预测相关影响因素优化选择

为了更好地反映各种相关因素对负荷的影响,采用人工神经网络进行中长期负荷预测.基于人工神经网络原理,设计了一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取国内生产总值、重工业生产总值、轻工业生产总值、农业生产总值、第一产业、第二产业和第三产业等七个因素作为神经网络的输入变量.采用排除法对这些输入变量进行优化选择,并对预测精度的影响进行了探讨.仿真结果证明利用排除法后预测精度明显提高,故提出的方法是可行和有效的.     

中长期电力负荷模糊聚类预测改进算法

针对传统的中长期模糊聚类预测算法自变量权重选择不合理、截水平集合元素不全面、相关因子计算方法单一等缺陷,提出改进的预测算法。该算法利用关联度分析计算自变量权重,通过建立相关因子计算方法库,按照相对传递总偏差最小原则选择最佳相似矩阵进行聚类,以等价矩阵所有元素的去重集合作为截水平集合求最佳聚类。实验结果证明该算法可提高预测的准确性。