基于遗传算法优化的LS-SVM井下场强预测

为了进一步研究井下电波传播损耗规律,提高场强覆盖预测准确度,提出使用基于遗传算法优化的最小二乘支持向量机方法对井下巷道的场强进行预测。首先通过软件仿真生成巷道场强数据,并将数据分为训练集和测试集;然后采用最小二乘支持向量机方法对训练集进行学习,并使用遗传算法对最小二乘支持向量机方法的参数选择进行优化,采用测试集对方法性能进行验证;最后将基于遗传算法优化的最小二乘支持向量机方法用于井下巷道的场强预测。仿真实验结果表明,基于遗传算法优化的最小二乘支持向量机方法能够有效提高井下场强预测的精度,可获得较好的预测效果。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

基于最小二乘支持向量机的复杂装备故障预测模型研究

针对复杂装备故障信息不足、故障预测困难等问题,应用支持向量机建立了故障预测模型;在对支持向量机回归算法分析的基础上,利用最小二乘支持向量机建立故障预测模型;最小二乘支持向量机通过对相空间重构,有效地降低了模型的复杂度;最后,本文利用某导弹发射装置液压泵的故障数据进行了验证,通过选取合适的参数,该模型能够较好地对故障数据进行预测,预测精度较高;事实证明,基于最小二乘支持向量机建立故障预测模型能够较好地对复杂装备故障的趋势进行预测。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于LSSVM的卫星姿态控制系统故障诊断

提出了一种基于最小二乘支持向量机(LSSVM)非线性观测器的卫星姿态控制系统故障诊断方法。与标准的支持向量机回归算法相比,最小二乘支持向量机回归算法收敛速度快,适用于在线训练。该方法利用其回归逼近非线性函数的能力,设计基于最小二乘支持向量机的非线性系统状态观测器,在线训练最小二乘支持向量机回归,并用于估计卫星姿态控制系统故障。最后,通过仿真验证了这种方法可以快速准确地估计出卫星姿态控制系统的故障。     

基于LS-SVM的小样本费用智能预测

最小二乘支持向量机引入最小二乘线性系统到支持向量机中,代替传统的支持向量机采用二次规划方法解决函数估计问题。该文推导了用于函数估计的最小二乘支持向量机算法,构建了基于最小二乘支持向量机的智能预测模型,并对机载电子设备费用预测进行了研究。结果表明最小二乘支持向量机具有比多元对数回归更高的小样本费用预测精度。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

基于非线性算法的网络业务流量预测

基于递归最小二乘支持向量机,提出了一种网络业务流量非线性预测算法。通过最小二乘支持量机首先将原始的网络流量数据映射到一个高维空间中,进而在这个高维空间中对流量数据进行预测,使得在低维空间中非线性预测转化为高维空间中的线性预测,提高了预测性能。仿真结果表明,预测误差能够维持在5%以内。     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

基于遗传算法的LS-SVM参数优选及其在经济预测中的应用

针对最小二乘支持向量机的参数优选，提出用遗传算法优化其有关参数，以经济系统中的人口数据对它进行训练，并用于预测城市的人口。最后，把最小二乘支持向量机与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度是令人满意的，文中提出的方法是可行的。     

PLS-LSSVM模型在锌净化中的应用

在锌净化除钴过程中,生产数据存在噪声且变量间具有多重相关性,从而难以准确预测钴离子浓度。为此,采用偏最小二乘方法去除数据中的噪声,降低各参数间的多重相关性。通过为不同时期的样本数据赋予不同的权值,提高了最小二乘支持向量机(LSSVM)模型预测的准确性。利用改进的粒子群优化算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性。仿真结果表明,PLS- LSSVM模型的预测精度高于偏最小二乘回归和LSSVM。     

基于改进支持向量回归算法的移动机器人定位

为了提高移动机器人定位精度,提出了一种基于正交编码器和陀螺仪的轮式移动机器人定位系统,建立机器人的定位模型和运动学模型。研究了支持向量回归（SVR）算法,为获得更好的鲁棒性,对目标函数误差平方进行加权,分析不同参数优化算法对支持向量机回归准确率的影响。以自制的移动机器人为实验平台,将改进的算法与最小二乘支持向量回归（LSSVR）算法、加权最小二乘支持向量回归（WLSSVR）算法进行比较,对比了用改进算法时机器人在木地板场地与瓷砖场地的定位误差情况,并对正交编码器+陀螺仪定位系统与双码盘定位系统、单码盘+陀螺仪定位系统进行比较。实验结果表明,改进的算法使机器人的定位精度明显高于对比算法,并且所提出的定位系统定位效果较好。     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

利用Lagrange支持向量回归机设计IDS的检测算法

为提高网络入侵检测系统中检测算法的分类精度,降低训练样本及学习时间,在基于支持向量回归机的基础上,提出一种新的利用Lagrange支持向量回归机设计IDS的检测算法。使用KDD CUP 1999数据集进行仿真实验,结果表明该算法较基于支持向量回归机的检测算法具有更良好的泛化性能、更快的迭代速度、更高的检测精度和更低的误报率。     

稀疏结构化最小二乘双支持向量回归机

最小二乘双支持向量回归机（LSTSVR）通过引入最小二乘损失将双支持向量回归机（TSVR）中的二次规划问题简化为两个线性方程组的求解,从而大大减少了训练时间。然而,LSTSVR最小化基于最小二乘损失的经验风险易导致以下不足：（1）“过学习”问题;（2）模型的解缺乏稀疏性,难以训练大规模数据。针对（1）,提出结构化最小二乘双支持向量回归机（S-LSTSVR）以提升模型的泛化能力;针对（2）,进一步利用不完全Choesky分解对核矩阵进行低秩近似,给出求解S-LSTSVR的稀疏算法SS-LSTSVR,使模型能有效地训练大规模数据。人工数据和UCI数据集中的实验证明SS-LSTSVR不但可以避免“过学习”,而且能够高效地解决大规模训练问题。     

基于分态的煤矿瓦斯浓度预测模型的研究

由于影响瓦斯浓度变化的因素很多且内部关系复杂,传统的单一预测模型无法客观准确地反映其变化规律,导致预测精度较低。为有效提高瓦斯浓度预测精度,提出一种基于分态的预测模型。应用最大李雅普诺夫指数（Lyapunov指数）对瓦斯浓度时间序列的混沌特性进行识别,将其分为非混沌态和混沌态,接着分别采用改进的最小二乘支持向量机（LS-SVM）和基于径向基函数（Radial Basis Function,RBF）的神经网络进行建模和训练参数的优化,最终得到最佳预测模型并对瓦斯浓度时间序列进行预测。结果表明,分态预测模型有效提高了预测精度,降低了预测误差,用该方法可以更加客观准确地对瓦斯浓度进行预测。