野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于改进GPR模型的发酵过程软测量建模

针对生物反应过程中许多关键参量难以在线检测的难题,提出了一种改进的高斯过程回归建模方法。由于传统高斯过程的均值函数不易确定,从而简单预置为零,导致模型对数据的解释性不够完全的缺点。改进的方法是利用一种组合基函数来确定高斯过程回归模型的一个非零均值函数,基函数的选取是通过高斯过程建立多项式回归噪声模型的方式推导而出,最后进行软测量模型的预测输出。基于氨基酸类典型菌种L-赖氨酸反应过程关键生物量参数预测的试验研究表明：与传统的高斯过程回归模型和支持向量机相比,改进的高斯过程回归模型具有更好的预测精度和泛化能力,能很好的跟踪预测值的变化趋势。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

基于支持向量机的城市空气质量时间序列预测模型探究

空气污染问题在当下是一个十分严重的问题。开展空气质量监测、预测工作对于污染控制,降低危害具有重要意义。支持向量机模型是进行回归预测性能良好的工具,并可用于时间序列预测。文章采用径向基函数作为核函数,用交叉验证的方法优化参数构造支持向量机时间序列预测模型,选取某地市2013年1月至8月的空气质量指数作为空气质量参数进行实证分析,表明模型预测效果很好,具有一定实用价值。     

基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

组合核函数优化的稀疏最小二乘支持向量机

针对传统最小二乘支持向量机(LSSVM)稀疏性较差的问题,在传统支持向量机的基础上提出了新的LSSVM模型,并对其进行优化。利用选主元Cholesky分解,进行迭代操作,简化求解过程;利用径向基-卡方组合核函数,提高核函数的稀疏性;最后利用遗传算法,对组合核函数与支持向量机的参数寻优,解决了传统LSSVM在大样本情况下稀疏性较差,求解时间过长的问题,提高了LSSVM的泛性与精确度。仿真实验证明了所提出的模型是有效的。     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

用支持向量机网络实现VBR视频通信量的预测

VBR(Variable Bit Rate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(SVM:Support Vector Machine)网络模型.该网络模型采用结构风险最小化准则,在最小化经验风险的同时,尽量缩小模型预测误差的上界,从而使网络模型具有更好的推广能力.实验结果表明:支持向量机网络模型的预测误差为0.0018,而梯度径向基函数(Gradient Radial Basis Function:GRBF)神经网络模型的预测误差为0.0029.可以看出,支持向量机网络模型的预测精度要比GRBF网络模型的预测精度高出大约40%.     

基于支持向量机的灵武长枣成熟度分级算法

支持向量机模型通过寻求结构化风险最小化来提高学习机的泛化能力,实现经验风险和置信区间范围的最小化,从而达到在统计样本量较少的情况下,也能获得良好统计规律的目的。文章以灵武长枣为研究对象,建立支持向量机模型实现对灵武长枣成熟度分级的研究。实验以(R-G)/(G-B)、(R-G)/(R+G)和H分量均值作为支持向量机输入参数,以径向基核函数作为支持向量机训练函数并采用交叉验证方法实现核函数参数寻优建立支持向量机模型,实验证明,支持向量机模型对灵武长枣的成熟度分级准确率可达86%。     

从高斯过程到高斯过程混合模型:研究与展望

高斯过程（GP）模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合（MGP）模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。      

Multi-scale Gaussian Processes model

A novel model named Multi-scale Gaussian Processes （MGP） is proposed. Motivated by the ideas of multi-scale representations in the wavelet theory, in the new model, a Gaussian process is represented at a scale by a linear basis that is composed of a scale function and its different translations. Finally the distribution of the targets of the given samples can be obtained at different scales. Compared with the standard Gaussian Processes （GP） model, the MGP model can control its complexity conveniently just by adjusting the scale parameter. So it can trade-off the generalization ability and the empirical risk rapidly. Experiments verify the feasibility of the MGP model, and exhibit that its performance is superior to the GP model if appropriate scales are chosen.     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

Evolving mixture of experts for nonlinear time series modelling andprediction

The evolutionary structure optimisation (ESO) method for Gaussian radial basis function (RBF) networks has already been presented by the authors. Here, they improve the ESO method in its mutation operator and apply it to a mixture of experts (ME) for modelling and predicting nonlinear time series. The ME implementation provides much better generalisation performance with fewer network parameters, compared to the Gaussian RBF networks     

基于高斯过程混合模型的瓦斯安全状态分类研究

针对目前瓦斯浓度预测与瓦斯安全状态分类方法中主观性较强、超参数难以选取、解释性差、无法有效地利用样本之间时序信息等问题,本文提出了基于高斯过程混合模型的瓦斯浓度预测与安全状态分类方法。高斯过程是机器学习领域中解决非线性回归问题的典型方法,能够有效地利用数据之间的相关性,常用于时间序列的建模与预测。然而,单个高斯过程存在着一定的局限性,难于对非平稳、多模态的数据进行有效地建模和回归分析。在高斯过程的基础上引入其混合模型,则可增强模型的表达能力,能够对有复杂结构的数据进行建模。我们将瓦斯安全状态根据风险由高至低分成红橙黄蓝四个等级,在每个风险等级上瓦斯浓度数据采用单个高斯过程进行建模。由于一般瓦斯浓度数据包含着各个风险等级的数据,高斯过程混合模型则可用于对整体数据进行建模和回归分析。根据对数据的参数学习结果,高斯过程混合模型便可自适应地得到每个时刻对应的风险等级,并在预测瓦斯浓度时对各个高斯过程分量的预测进行加权,得到更为鲁棒的预测结果。实验结果表明,基于高斯过程混合模型的方法可有效地预测瓦斯浓度、评估安全状态。      

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

基于生物免疫优化支持向量机算法的居民区负荷预测

针对居民区用电负荷随机性强、稳定性差等问题,综合考虑各因素对居民用电负荷的影响,提出一种免疫支持向量机(support vector machine,SVM)算法负荷预测模型。以居民区历史用电量及相关气候数据为处理对象,使用PCA(principal component analysis)算法对电网历史数据进行处理,并结合免疫算法对电网历史数据进行预处理,形成数据簇并划定标签提供给预测模型进行训练。为提高模型精度,采用生物免疫优化算法对SVM模型参数进行优化,并在负荷预测环节,将预测误差作为调优依据,对预测模型进行反馈调优。将预测效果与常用于负荷预测的BP(back propagation)神经网络、SVM算法模型进行对比,免疫SVM算法负荷预测模型的短期、中期预测精准度均在98%以上,具有较好的精度与鲁棒性。     

High-quality voice conversion system based on GMM statistical parameters and RBF neural network

A voice conversion （VC） system was designed based on Gaussian mixture model （GMM） and radial basis function （RBF） neural network. As a voice conversion model, RBF network needs quantities of training data to improve its performance. For one speech, the networks trained by different segments of data have different transformation effects. Since trying segment by segment to obtain the best conversion effect is complex, a conversion method was proposed, that uses GMM for statistics before training RBF network to aim at the problem. The speech transformation and representation using adaptive interpolation of weighted spectrum （STRAIGHT） model is used for accurate extraction of vocal tract spectrum. Then GMM is used to classify the numerous spectral parameters. The obtained mean parameters were trained in RBF network. Experiment reveals that, the soft classification ability of GMM can promptly realize the reduction and classification of training data under the premise of ensuring the training effect. The selection complexity is decreased thereafter. Compared to the conventional RBF network training methods, this method can make the transformation of spectral parameters more effective and improve the quality of converted speech.     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

Channel estimation for OFDM systems using adaptive radial basis function networks

We propose a new scheme for pilot-symbol-aided channel estimation in orthogonal frequency-division multiplexing (OFDM) systems in multipath fading channels, that does not require knowledge of the channel statistics (e.g., Doppler or power spectrum). It is based on using the radial basis function (RBF) network to model the dynamics of the fading process. Both one-dimensional and two-dimensional RBF networks are proposed to exploit the channel correlation in the time domain and in the time-frequency domain. The proposed RBF networks are essentially nonlinear interpolators of the pilot channels. Compared with the existing OFDM channel estimation methods based on linear filtering, the proposed new techniques offer both robustness to fading rate, and a better performance especially in relatively fast fading channels.