基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于LS-SVM对耐高温滤料过滤效率的预测研究

本文主要研究利用最小二乘支持向量机的方法预测耐高温高效滤料在不同测试条件下过滤效率的变化。笔者采用最小二乘支持向量机的方法,以Matlab作为软件平台,利用lssvmlab工具箱对于滤料测试的实验数据进行学习,以气体温度、气体流速,上游发尘浓度为输入,滤料过滤效率为输出训练算法,预测不同测试条件下滤料的过滤效率,并且与RBF神经网络的预测结果进行比较。实例分析表明,与基于RBF神经网络的耐高温滤料过滤效率模型相比,基于最小二乘支持向量机的过滤效率模型具有更高的精度,更强的鲁棒性,并且速度更快。     

火灾信息的时间序列分析

介绍了对于火灾事故的基于支持向量机和神经网络的时间序列分析／预测方法，并在试验仿真的基础上指出神经网络模型和支持向量模型的适用范围及其局限性。     

支持向量机在地铁隧道地表沉降预测中的应用

针对北京地铁区间浅埋暗挖隧道，分析了施工导致的地表沉降的影响因素，提出了影响地表变形的主要因素，建立了支持向量机的统计回归预测模型，并用该模型预测的地表沉降，将SVM预测值和BP神经网络预测值与现场量测值进行了对照。结果表明，支持向量机比BP神经网络有较高的预测精度，并且具有小样本、高维数及非线性等优点。     

相关向量机在珊瑚混凝土抗压强度预测中的应用

应用相关向量机对珊瑚混凝土小样本数据进行回归和预测,与BP神经网络和最小二乘支持向量机的比较发现:相关向量机具有良好的泛化能力,避免了神经网络易出现的过拟合现象,不仅预测准确率不低于最小二乘支持向量机,而且能输出预测值的置信区间;利用相关向量机回归构建解释体系,分析配合比中各组分的重要性、单因子效应及两因素间交互作用,仿真结果与实际结果一致。相关向量机是混凝土性能预测的可靠工具,可为配合比设计和优化提供指导。     

基于机器学习LNG空温式气化器传热性能预测

阐释环境条件下LNG空温式气化器动态耦合传热机理,针对传热过程的时变性、非线性及多因素影响性,提出利用机器学习对LNG空温式气化器的天然气出口温度进行预测。通过阐述最小二乘支持向量机的基本原理,指出最小二乘支持向量机模型的精度在于输入向量、惩罚因子和核函数的选取。基于厂站实测数据对模型的输入向量进行分析,得到输入向量为环境温度、运行时间、太阳辐射照度以及一段时间内的天然气出口温度实际监测值。采用粒子群优化算法对惩罚因子及核函数中的相关参数进行参数优化,通过均方根误差、平均绝对误差、平均相对误差和最大绝对误差对模型预测结果进行评估,结果表明采用线性核函数或者多项式核函数的最小二乘支持向量机模型能够很好地解决LNG空温式气化器整体耦合传热性能预测问题。     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

最小二乘支持向量机在热舒适性指标中的应用

本文介绍了最小二乘支持向量机的原理,并针对热舒适性指标建立了最小二乘支持向量机预测模型,以人的新陈代谢率、衣服热阻、空气温度、相对湿度、平均辐射温度和空气流速作为输入变量,以PMV指标作为输出。该模型计算结果与Fanger方程的计算结果吻合很好,与BP神经网络模型及传统的支持向量回归机模型进行分析比较的结果表明最小二乘支持向量机模型具有较高的拟合精度和泛化能力,可以满足PMV指标作为被控参数对空调系统进行实时控制的要求。     

基于最大间隔分类器的围岩级别判断方法

岩体的复杂性以及围岩分类中存在大量的不确定因素给围岩的正确分类造成了一定的困难.将支持向量机方法用于对围岩的分类,并与ART1神经网络和BP神经网络的预测结果进行对比,表明:将支持向量机用于围岩分类是可行的,并且具有很好的精度.     

基于RF-GA-SVM的医院集中供暖系统一次侧流量预测模型研究

医院集中供暖系统一次侧流量受多种不确定因素影响。为了降低输入空间维度、节约运算成本、提高预测精确度,提出了一种基于随机森林(RF)特征重要性评估-遗传算法(GA)优化支持向量机(SVM)参数算法的预测模型。首先利用RF算法对特征变量实施重要性评估,利用交叉验证法对特征变量进行过滤,构建供暖系统影响因素指标体系,其次利用遗传算法优化支持向量机参数建立回归预测模型(RF-GA-SVM),最后结合某医院集中供暖系统数据进行了实例分析并与RF预测模型、GA-SVM预测模型进行了对比。预测误差分析表明,本文提出的预测模型(RF-GA-SVM)降低了输入空间维度,避免了局部最优,提高了预测精确度。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于极限学习机算法的大坝沉降预测模型研究

变形分析是大坝安全监测的主要工作。为解决单一预测模型难以考虑影响坝体位移的多个因素进行预测,BP神经网络参数难以确定,本文将极限学习机算法运用到某土石坝异常测点沉降量预测中,通过对比训练期模拟值与实测值,确定了模型参数。预测期模拟值较实测值基本一致,预测效果良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。     

基于PSO优化的支持向量机在软土路基沉降数据处理中的应用

软土路基沉降预测是一个少样本、非线性、高维数据处理问题,支持向量机能够较好地解决这类问题。为了克服该理论方法在实际应用中存在惩罚因子C和核函数参数σ选取不当导致模型预测精度不高的问题,采用粒子群优化算法PSO对模型参数C和σ进行优化。工程实例表明经PSO优化的支持向量机具有较高的精确度,预测效果优于非PSO优化的支持向量机,也优于GRNN网络和BP神经网络的预测结果,值得工程技术人员借鉴。     

基于支持向量机的混凝土双轴动态强度预测

介绍了基于支持向量机的混凝土双轴动态强度预测方法,并且利用MATLAB软件编写了相应的支持向量机程序,建立了混凝土双轴动态强度预测模型,与已经普遍应用的神经网络方法进行对比,结果表明支持向量机的方法可以更好地预测混凝土双轴动态强度,且方便可行。     

基于PCA-SVM的廉租房PPP融资风险预测

为提高廉租房PPP融资风险预测的精度,提出一种基于PCA-SVM的廉租房PPP融资风险预测模型。首先应用主成分分析(PCA)对廉租房PPP融资风险指标进行降维处理,消除指标间的冗余;进而将降维后的指标作为支持向量机(SVM)的输入,运用支持向量机完成对廉租房PPP融资风险预测。工程实例证明该模型可提高支持向量机的泛化能力、训练速度及精度。     

基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于支持向量机的变电工程造价预测研究

针对变电工程造价影响因素复杂导致其预测难度大、精度低等问题,通过文献综述等方法确定变电工程造价影响因素,然后根据支持向量机理论,建立变电工程造价预测模型,通过历史工程数据进行模型训练,输入预测工程的指标后可得出预测造价。研究对于变电工程造价投资分析有一定借鉴意义。     

基于PSO-SVM模型的苯储罐泄漏浓度预测

以苯储罐为研究对象,利用ALOHA软件模拟了不同大气温度、风速、地面粗糙度、泄漏口直径和测点条件下苯浓度的变化。将ALOHA模拟数据作为训练样本,建立苯泄漏区域浓度的粒子群-支持向量机(PSO-SVM)预测模型。为验证模型预测性能,采用遗传算法支持向量机(GA-SVM)模型和支持向量机(SVM)模型进行预测,并与PSO-SVM模型对比。结果表明,PSO-SVM模型预测效果优于GA-SVM和SVM模型。     

支持向量回归机在混凝土强度预测中的应用研究

利用支持向量回归机(SVR)算法,对在ε-insensitive和Quadratic两种损失函数下的两种核函数进行了研究与分析。在样本数据学习中,发现其预测精度远远高于BP神经网络的预测精度,且参数取值范围很大。针对支持向量回归机模型,给出了参数的取值范围,为SVM在类似工程上的应用提供了参考。