基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

基于改进PSO算法的LS-SVM油层识别模型

为解决常规油层识别方法因其本身缺陷而无法取得理想效果的缺点,提出一种基于改进PSO算法的LS-SVM油层识别模型,即综合已有改进的PSO模型提出一种新的改进形式,并用此算法迭代求解LS—SVM中出现的矩阵方程,从而避免矩阵求逆,加快LS-SVM算法的训练速度,节省内存,而且求得最优解．实际应用表明,所提出的识别模型优于BP模型和经典SVM模型,识别精度高、收敛速度快、效果显著．     

基于最小二乘支持向量机的热电偶非线性辨识研究

热电偶的电动势和温度之间的函数关系是一种非线性关系。对热电偶进行精确的非线性辨识是提高温度测试精度的关键。采用最小二乘支持向量机方法解决热电偶的非线性辨识问题,可以实现热电偶电动势和温度之间的高精度辨识。该方法采用LS-SVM构建逆模型,并通过该模型映射热电偶的非线性特性。通过K型热电偶的非线性辨识实验结果表明:所提出的LS-SVM模型能很好地拟合热电偶的非线性特征,辨识精度高,误差在0.3℃以内。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

辨识非线性MIMO系统的多输出ε-SVR模型研究

针对非线性多输入多输出(MIMO)系统的黑箱辨识问题,提出一种基于ε不敏感损失函数的多输出支持向量回归机(SVR)模型,并给出了偏置的有效求取算法.在一个优化问题中,该模型能最小化所有输出带正则项的结构风险总和,并能为不同输出选择不同的核函数及模型参数.将多输出SVR模型应用于非线性MIMO系统的辨识,仿真结果表明,该模型克服了传统支持向量回归机必须为每个输出单独建模这一缺陷,并能提升系统的整体辨识能力.     

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.     

应用Hammerstein模型辨识受相关噪声扰动的非线性系

本文提出了一种用于Ｈａｍｍｅｒｓｔｅｉｎ模型参数估计的偏差补偿最小二乘法。当观测数据被未知有色噪声污染时，应用本文方法可在缺少任何有关噪声先验信息的情况下实现参数的渐近无偏估计。     

基于LSSVR和LSTM的多模型优化集成负荷预测

针对负荷需求受多源因素影响和现有单模型预测方法精度较低的问题,提出了一种基于最小二乘支持向量回归(LSSVR)和长短期记忆循环神经网络(LSTM)的多模型优化集成负荷预测方法。首先探究负荷相关特征的特性并由互信息进行特征选择,获取最优特征集。在此基础上采用随机抽样(bootstrap)生成多个训练集,然后使用具有良好预测能力的LSSVR和LSTM模型对多个训练集分别进行预测。利用混沌粒子群优化算法(CPSO)进一步提高模型预测精度。最后,在决策阶段中使用偏最小二乘回归(PLSR)组合各个子模型的最优预测输出并提供最终预测结果。对真实电网数据进行了仿真,并与其它预测方法进行了比较。本文所提方法的应用范围广泛且预测精度提高显著。     

Nonlinear model predictive control with relevance vector regression and particle swarm optimization

In this paper, a nonlinear model predictive control strategy which utilizes a probabilistic sparse kernel learning technique called relevance vector regression （RVR） and particle swarm optimization with controllable random exploration velocity （PSO-CREV） is applied to a catalytic continuous stirred tank reactor （CSTR） process. An accurate reliable nonlinear model is first identified by RVR with a radial basis function （RBF） kernel and then the optimization of control sequence is speeded up by PSO-CREV. Additional stochastic behavior in PSO-CREV is omitted for faster convergence of nonlinear optimization. An improved system performance is guaranteed by an accurate sparse predictive model and an efficient and fast optimization algorithm. To compare the performance, model predictive control （MPC） using a deterministic sparse kernel learning technique called Least squares support vector machines （LS-SVM） regression is done on a CSTR. Relevance vector regression shows improved tracking performance with very less computation time which is much essential for real time control.     

基于粒子群和支持向量机为青霉素发酵建模

针对支持向量机发酵建模中,选择重要建模参数值的问题,提出利用全局搜索能力较强的粒子群优化算法,优化调整支持向量机建模过程中的重要参数,每一个粒子的位置向量对应一组支持向量机建模的参数。参数不断优化后,得到拟合预测效果较优的模型,预测青霉素发酵过程。仿真结果表明,该方法能使模型的预测效果较好。     

Recursive reduced least squares support vector regression

Combining reduced technique with iterative strategy, we propose a recursive reduced least squares support vector regression. The proposed algorithm chooses the data which make more contribution to target function as support vectors, and it considers all the constraints generated by the whole training set. Thus it acquires less support vectors, the number of which can be arbitrarily predefined, to construct the model with the similar generalization performance. In comparison with other methods, our algorithm also gains excellent parsimoniousness. Numerical experiments on benchmark data sets confirm the validity and feasibility of the presented algorithm. In addition, this algorithm can be extended to classification.     

基于递归约简的在线自适应最小二乘支持向量回归机

鉴于传统在线最小二乘支持向量机在解决时变对象的回归问题时, 模型跟踪精度不高, 支持向量不够稀疏, 结合迭代策略和约简技术, 提出一种在线自适应迭代约简最小二乘支持向量机. 该方法考虑新增样本与历史数据共同作用对现有模型产生的约束影响, 寻求对目标函数贡献最大的样本作为新增支持向量, 实现了支持向量稀疏化, 提高了在线预测精度与速度. 仿真对比分析表明该方法可行有效, 较传统方法回归精度高且所需支持向量数目最少.     

基于矢量基学习的最小二乘支持向量机建模

为使最小二乘支持向量机的解具有稀疏性,本文提出了一种稀疏解算法-矢量基学习．首先引入基矢量、基矢量集与矢量空间的概念,并分析新样本矢量与矢量空间的夹角,从而推导出该样本是否为基矢量的判断准则．随着新样本的到来,在线判别支持向量,使LS-SVM的支持向量具有稀疏性．提升LS-SVM动态建模的实时性,本文进一步提出用于矢量基学习的增长记忆模式递推公式．仿真分析及水处理厂的应用实例,验证了该方法的可行性和有效性．     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.     

基于粒子群优化LS-SVM的车刀磨损量识别技术研究

刀具的磨损状态直接影响产品加工质量、成本和效率,对刀具磨损量的实时监测识别具有重要意义。针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机（LS-SVM）的刀具磨损识别方法,并针对支持向量机的惩罚因子和核参数对模型识别精度影响较大的问题,提出一种根据个体适应度来调整惯性权重的自适应粒子群算法进行自动参数寻优。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息作为识别模型的输入,然后利用训练好的自适应粒子群算法优化后的LS-SVM识别模型进行刀具磨损量识别。实验结果表明,该自适应粒子群优化算法比标准粒子群优化算法参数寻优能力更强;粒子群优化LS-SVM模型能高效地实现刀具磨损量识别,与BP神经网络相比具有更高的精度,且所需样本数较少,训练速度更快。     

基于混合最小二乘支持向量机网络模型的非线性系统辨识

针对基于输入输出数据的非线性系统辨识问题,提出一种新的混合最小二乘支持向量机(LS-SVMs)网络模型及相应的学习算法.该算法将系统的辨识问题动态自适应的划分为若干子问题,将支持向量机(SVM)用于各子模块辨识;通过分析模型的统计学特性,给出基于整体框架优化的系统参数辨识方法.针对系统中参数相关联的特性,采用期望条件最大化(ECM)算法对其进行条件辨识,同时结合正则化理论和最小二乘法,保证各专家模块的结构风险最小化辨识原则.试验结果表明,该方法兼具良好的辨识精度和泛化性能.     

Intelligent breast cancer recognition using particle swarm optimization and support vector machines

Breast cancer is the most common cancer among women, except for skin cancer, but early detection of breast cancer improves the chances of survivability. Data mining is widely used for this purpose. As technology develops, large number of breast tumour features are being collected. Using all these features for cancer recognition is expensive and time-consuming. Feature extraction is necessary for increasing the classification accuracy. The goal of this work is to recognise breast cancer using extracted features. To reach this goal, a combination of clustering and classification is used. Particle swarm optimization is used to recognise tumour patterns. The membership degree of each tumour to the patterns is calculated and considered as a new feature. Support vector machine is then employed to classify tumours. Finally this method is analysed in terms of its accuracy, specificity, sensitivity and CPU time consuming using Wisconsin Diagnostic Breast Cancer data set.     

基于粒子群与支持向量机的隧道变形预测模型

针对粒子群算法易早熟且在算法后期易在全局最优解附近产生振荡现象,提出一种自适应调整惯性权重的优化粒子群算法。该算法引入双曲线正切函数的非线性变化思想,使惯性权重随着迭代次数的增加产生自适应调整,有利于增强粒子搜索能力及收敛速度,不易陷入局部极值点。将该算法应用于基于支持向量机的隧道变形预测模型中,对预测模型的超参数进行优化,并利用稳态与非稳态两组实测工况数据对组合算法进行工程测试,结果表明采用SaωPSO＋SVM算法可有效提高预测模型的计算精度,增强其鲁棒性,有助于隧道变形的工程建模。