基于DE-BP和DE-SVM的风电功率预测研究

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.     

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.     

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。     

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。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

基于支持向量机的不等时距灰色组合预测模型

建立了一种基于支持向量机的不等时距灰色组合预测模型.利用各种不等时距灰色模型的预测结果作为支持向量机的输入,实测值作为支持向量机的输出,并采用LS-SVM回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机即可进行组合预测.该模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一不等时距预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于联系数的区域水资源承载力诊断指标组合预测研究

为提高区域水资源承载力诊断指标预测结果的精度和稳定性,在建立区域水资源承载力诊断指标预测的BP神经网络、多元线性回归和支持向量机模型(SVM)的基础上,建立了基于联系数的区域水资源承载力诊断指标组合预测模型(CFCN)。通过对区域水资源承载力水量要素能力表征指标的预测分析,结果表明,CFCN的预测平均误差最小(0.27%)、预测精度最高、稳定性最好,CFCN综合了BP神经网络、多元线性回归和支持向量机这3种预测方法的优势,克服了在区域可利用水量预测中BP神经网络外延性差、多元线性回归模型预测精度低、支持向量机拟合效果差的缺点,预测精度较单一的预测模型有显著提高。上述组合预测方法可为区域水资源承载力诊断指标预测提供有效的方法和技术支持。     

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

适于双子电梯群控系统的交通模式预测方法

为了避免传统电梯交通模式识别存在模式滞后的缺陷,适应新型的双子电梯群控系统性能要求,提出了基于预测交通流的电梯交通模式预测方法.采用支持向量机(Support vector machine,SVM)进行电梯交通流预测;采用BP神经网络进行电梯交通流模式识别,并用遗传算法(Genetic algorithm,GA)对BP神经网络进行优化;将电梯交通流预测与交通模式识别相结合,再次利用神经网络对所预测的交通流进行模式识别,实现交通模式预测.研究结果表明,预测交通流的交通模式与实际交通流的交通模式一致,验证了交通模式预测的准确性.交通模式预测方法可避免模式滞后的缺陷,为双子电梯群控系统工程应用提供理论依据.     

基于Boosting的网络异常流量检测算法研究

从机器学习的角度系统研究网络流量检测,将Boosting算法引入到网络异常流量的检测当中,设计两种不同的弱学习方法：估计多变量高斯分布和估计超球体区域。实验结果表明,基于Boosting的检测算法性能要优于一类支持向量机,同时也表明作为一种提升弱学习算法性能的一般性策略,Boosting在非监督情况下是非常有效的。     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

改进的基于支持向量机的网络综合评价策略

针对现有移动网络性能综合评估方法中存在的问题，提出了在维度变换基础上的采用支持向量机的综合评价策略。首先对语义上相关的n个指标进行维度变换使之成为独立的n维，然后对变换后的数据用支持向量机建立回归模型。理论分析表明，这种方法既可克服反向传播(BP)神经网络方法在应用中存在的收敛于局部极小问题，也可避免主成分分析法引起的信息丢失问题。实验表明，用支持向量机的方法比用BP神经网络的方法过程更可控，预测误差更小，且样本评价值间的差异保持得更好。     

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。     

支持向量机改进的神经网络的函数逼近

为了避免神经网络的收敛速度慢和局部极小点 ,采用统计学习理论中的支持向量机代替梯度下降法对三层神经网络中隐层到输出层的过程进行改进 .分别采用由支持向量机改进的神经网络和传统的神经网络对昆明市“一二一”大街交通交流的实时预测 ,实验结果验证了改进后的神经网络的优越性和先进性     

高速公路转向快速路的匝道控制

针对高速公路转向城市快速路匝道多目标协调控制研究的不足,以支持向量机与神经网络的机理对比分析为基础,以径向基为核函数,设计一种理论上更优的匝道控制律求解方法.在建立控制方程和评价控制效果方面,基于排队论提出用循环等待时间等目标参数,描述匝道交通排队控制模型.利用高速公路联络线转向城市快速路的实例数据,在高密度区间进行仿真,并与多种方法进行对比.结果表明,本模型和算法在减少循环等待方面可实现更优的控制品质.     

神经网络在交通系统中的应用

在简要介绍神经网络原理的基础上，分析了采用神经网络解决交通系统中空车调度及交通流预测的原理及方法。讨论了两方面内容：一方面采用神经网络以达到空车走行公里数最少的优化目标；另一方面，采用神经网络精确地预测交通流，以减少交通拥挤和堵塞。     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.