基于支持向量机回归的天然气负荷预测研究

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas shortterm load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction has been developed, which has also been applied in practice.     

支持向量机法预测严酷环境混凝土的抗压强度

以16种强度影响因素为输入参量,混凝土抗压强度为输出参量,通过支持向量机(SVM)法建立预测模型。搜集处理了6300组样本数据,以5900组样本为训练集,400组样本为测试集,采用K-交叉验证法选择得到最佳的核函数参数g和惩罚因子c;以决定系数(R^2)、平均相对误差(MAPE)和均方根误差(RMSE)为指标评价模型的预测精度。结果表明,SVM预测模型可以较好地用于混凝土抗压强度预测,且泛化能力较强。     

基于支持向量机的精馏塔模糊预测控制算法研究

利用模糊预测控制,依据支持向量机对模糊预测控制方法中的预测模型进行训练,以精馏塔的塔顶回流控制为例,通过仿真研究了支持向量机作为预测模型训练方法在模糊预测控制中的应用,得到了较好的控制效果。利用支持向量机与模糊预测控制结合,进一步发挥了信息处理方法在过程控制中的应用。     

基于最小二乘支持向量机的天然气负荷预测

对城市天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义．在国内,对于城市天然气负荷预测的研究才刚刚起步,目前还没有较系统的理论．同技术与理论较为成熟的电力负荷预测研究相比较,两者既有许多相同点,又有不同之处．相同之处在     

支持向量机在混炼胶质量预测中的应用

介绍支持向量机（SVM）的原理，并试验研究密炼过程中应用SVM模型对混炼胶质量进行预测。结果表明，SVM预测模型所得结果与回归分析法模型的预测结果接近，且具有更强的泛化能力；其预测误差控制在门尼粘度均值的3％以内。     

基于多核支持向量机的非线性模型预测控制

Multi-kernel-based support vector machine （SVM） model structure of nonlinear systems and its specific identification method is proposed, which is composed of a SVM with linear kernel function followed in series by a SVM with spline kernel function. With the help of this model, nonlinear model predictive control can be transformed to linear model predictive control, and consequently a unified analytical solution of optimal input of multi-step-ahead predictive control is possible to derive. This algorithm does not require online iterative optimization in order to be suitable for real-time control with less calculation. The simulation results of pH neutralization process and CSTR reactor show the effectiveness and advantages of the presented algorithm.     

支持向量机在炸药爆热预测中的应用

根据支持向量机(SVM)理论,基于支持向量回归机(SVR)原理。利用Matlab语言,设计炸药爆热预测模型,通过已知炸药爆热预测,对模型进行验证,并对另外几个炸药进行预测。结果表明,SVR模型对爆热的预测可以得到较好的预测结果,运行速度较快,精度较高,具有良好的应用前景,可为爆热预测提供理论依据。     

采空区塌陷预测的支持向量机方法

针对采空区坍塌预测中诸多因素不确定性问题,应用支持向量机理论并结合工程实际.建立了采空区塌陷预测的支持向量机(SVM)模型.选取覆盖层类型、厚度、矿层倾角、地质构造、采空区距地表的垂直深度、体积率、空间叠置层数等7个影响因子作为采空区塌陷预测的SVM模型的判别因子,利用支持向量机结构风险最小化原则,在某矿区采空区实测数...     

基于最小二乘支持向量回归机的光管污垢特性预测

搭建了污垢实验系统以测得管壁温度和出、入口温度等参数,并将这些参数作为模型的输入变量,以污垢热阻值作为模型的输出变量,利用最小二乘支持向量回归机搭建了污垢预测模型,对光管的污垢特性进行了预测。一方面,通过与测量结果相比较,验证所搭建的模型是合理可行的;另一方面,通过对多次预测结果分析比较得出,该模型不但适用于流速、水浴温度、材质等参数为定值的情况,而且当这些参数发生改变时,该模型也是适用的。     

基于支持向量机的机械设备故障诊断研究

大多数情况下,机械设备故障模式识别属于一个小样本机器学习问题,通过小样本进行故障诊断往往精确度不高,但是支持向量机能够对小样本进行故障诊断分析,文章将研究基于支持向量机的机械设备故障诊断,通过对支持向量机多类分类算法中的二叉树进行改进,然后选择合适的核函数并对其相关参数进行优化,最后将改进的方法应用到旋转机械故障诊断中...     

基于支持向量机的氨含量预测模型

氨合成反应器出口氨含量与其影响因素间存在较强的非线性关系,为其建模,可预报氨含量,进而指导生产、优化反应器的操作.本文运用具有较强的非线性拟合能力和基于结构风险最小化原则的支持向量机,建立了氨含量的预测模型,验证表明,该模型具有较强的拟合和预测能力.     

基于相关向量机模型的混凝土综合性能预测

为快速获取及评价混凝土的综合性能,选取影响混凝土综合性能的6个主要因素为输入数据,混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据,建立基于相关向量机(RVM)的混凝土综合性能预测模型,对14组学习样本进行拟合训练,并对其余5组预测样本进行预测。结果表明:在相同的样本条件下,与BP神经网络模型进行对比,RVM模型预测精度更高,离散性更小;同时,与实际值相比,RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差,进一步验证了RVM模型对混凝土综合性能预测的可靠性,具有较好的推广价值。     

基于提升支持向量机的多组分气体分析

针对大规模高维气体分析样本难以计算的问题,提出一种提升的支持向量机学习方法.该方法将支持向量机等效为一定的KKT条件的同时,能通过检测样本在训练空间的转移始终保持KKT条件成立,起始训练样本的规模最少可以是2个.在对多组分气体分析的实验中,传统的支持向量机学习方法需要时间34 h左右,而提升支持向量机学习的时间为2.7 h,计算速度提高12.6倍.     

Accelerated Recursive Feature Elimination Based on Support Vector Machine for Key Variable Identification

Key variable identification for classifications is related to many trouble-shooting problems in process industries. Recursive feature elimination based on support vector machine （SVM-RFE） has been proposed recently in application for feature selection in cancer diagnosis. In this paper, SVM-RFE is used to the key variable selection in fault diagnosis, and an accelerated SVM-RFE procedure based on heuristic criterion is proposed. The data from Tennessee Eastman process （TEP） simulator is used to evaluate the effectiveness of the key variable selection using accelerated SVM-RFE （A-SVM-RFE）. A-SVM-RFE integrates computational rate and algorithm effectiveness into a consistent framework. It not only can correctly identify the key variables, but also has very good computational rate. In comparison with contribution charts combined with principal component aralysis （PCA） and other two SVM-RFE algorithms, A-SVM-RFE performs better. It is more fitting for industrial application.     

支持向量机在型坯挤出壁厚预测中的应用

将支持向量机应用于挤出吹塑过程的一段型坯壁厚分布的预测,并将预测结果与人工神经网络预测的结果进行比较,验证了支持向量机具有更强的泛化能力。     

一种改进的支持向量回归的混凝土强度预测方法

混凝土抗压强度是影响建筑质量的主要因素,根据一些主要参数事先预测其强度可作为现场施工的参考.以支持向量回归(SVR)为理论基础,提出一种基于马氏距离的加权型SVR(MWSVR)的人工智能算法对混凝土强度进行预测.不同于将训练样本统一看待的传统方法,该算法根据训练集和测试集自变量的距离来决定训练样本在求解SVR模型中的重...     

基于支持向量机的传感器动态补偿新方法

提出一种基于支持向量机(SVM)的传感器动态补偿新方法,给出相应的补偿过程及学习算法。与常用的神经网络补偿方法比较,其优点是明显的。它采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型的泛化能力;而且将学习算法转换为求解二次规划问题,使得在整个学习过程中有且仅有一个全局极值点,确定了所构造补偿器的唯一性。仿真和实验结果均表明,经过SVM动态补偿器可极大地缩短传感器达到稳定的时间,应用SVM模型对传感器进行动态补偿方法有效。     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

支持向量机在效益函数预报中的应用

采用支持向量机(SVM)技术对效益函数进行预报,并基于滚动学习-预报策略处理过程的时变特性.最后结合青霉素生产实际数据,对罐批效益函数进行在线预报,结果显示了SVM预报方法的有效性和鲁棒性.