基于改进在线支持向量回归的离子浓度预测模型

针对湿法炼锌净化过程中杂质离子浓度检测的大滞后特性和模型失效问题.提出了基于在线支持向量回归的离子浓度预测模型.该模型对每个新样本进行增量学习,并能删除数据集中的一个旧样本.进而提出用分块矩阵的方法解决更新算法计算复杂的问题.将该建模方法应用于离子浓度的预测,结果表明预测模型具有较好的泛化性能,模型更新时间明显缩短,有效地提高了适应工况的实时性.     

净化除钴离子浓度WA-SVM软测量

二段入口离子浓度是锌湿法冶炼二段净化除钴过程优化控制的一个关键因素。针对二段入口离子浓度在线检测困难的问题,提出了一种结合小波分析和支持向量机的离子浓度参数软测量方法,直接采用人工检测的历史数据直接建立离子浓度软测量模型。该方法采用小波分析方法将时间序列分解成具有不同频率特征的子序列。在相空间重构的基础上,利用最小二乘支持向量机建立各子序列估计模型,其中模型中的参数采用混沌粒子群算法进行优化选择。对各子序列输出重构合成得到最终的在线估计结果。应用工业现场数据的验证结果表明,所提模型具有较高的精度,相对误差小于10%的样本达97.5%,在线估计精度能够满足现场实际生产工艺要求。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于粒子群算法优化支持向量回归的水质预测模型

溶解氧是反映水污染程度的一个重要指标,准确的预测可以高效合理地判断水质环境的状况。由于水质环境的实时变化和复杂性以及收集数据的偏差,在水生系统中获得高效、精确的预测模型是困难的。因此,首先利用主成分分析（PCA）确定影响水质溶解氧的变量数目,降低数据维数,为解决变量间的非线性和非平稳性问题,提出用互信息（MI）选取影响...     

基于PSOABC-SVM的软件可靠性预测模型

软件可靠性预测是指在软件开发初期对软件中各模块出错的可能性进行预测,对提高软件的可信性具有重要意义。提出了一种基于粒子群与人工蜂群优化支持向量机的软件可靠性预测模型,将粒子群优化算法与人工蜂群算法相结合的混合算法引入到支持向量机的参数选择中,提高软件可靠性预测的效果。实验结果表明,该模型比BP网络预测模型、粒子群优化支持向量机等预测模型收敛速度更快、预测精度更高,能更好的进行软件可靠性预测。     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

一种净化过程钻离子浓度的混合智能预测方法

针对锌湿法冶炼净化过程的复杂性,提出了一种结合粒子群算法和案例推理方法的净化过程Ⅱ段出口钴离子浓度混杂预测模型.考虑到不同时期案例所起的作用不一样,提出了一种综合加权相似函数.针对案例推理方法中属性权重选择和近邻个数的选取问题,提出了带有变异的惯性权重自适应粒子群算法优化方法,优化最近邻算法中特征权重矢量和近邻数,提高案例的检索精度.以净化过程生产数据进行实验验证和对比分析,计算结果表明改进的案例推理模型精度优于神经网络模型,模型预测结果可以作为过程信息用于净化过程的优化控制.     

基于PSO-SVR动态模型的车辆排队长度预测

针对突发事件下城市道路车辆排队系统的特点,从时空角度综合考虑车辆排队系统的影响因素,建立支持向量回归（SVR）动态模型对车辆排队长度进行预测。考虑到参数选择对模型性能影响的敏感性,提出了以k折交叉验证（k-CV）均方误差平均值为适应度的粒子群优化（PSO）方法并对SVR模型参数进行寻优。用提出的PSO-SVR模型与K-CV和遗传算法（GA）优化的SVR模型以及BP网络预测模型对比,实验结果表明,该模型具有较高的预测精度和泛化能力,适用于车辆排队长度的预测。     

一种并行协同粒子群优化的支持向量机预测模型

转炉提钒过程是一个非常复杂的多元非线性反应过程,从统计学和反应机理等角度出发,难以建立终点控制静态模型．针对这样的问题,提出了并行协同粒子群优化的支持向量机预测模型,不仅克服了支持向量机偏差ε和折中参数C选择的随机性,而且较好地解决了大数据集的快速并行计算,缩短了计算时间,从而有利于连续生产操作．试验表明,用该模型预测转炉提钒的冷却剂加入量和吹氧时间,结果的误差减小,满足了终点命中率在90%以上的指标,具有工程实用性．     

一种基于粒子群优化算法的组合预测模型

本文首先分析了若干传统的预测方法,提出了一种组合预测模型,在该模型中利用加权系数对各种预测方法进行组合,集成不同来源的预测结果,从不同的侧面反映整个预测过程,力图使预测结果更加精确。在各种预测方法加权系数的确定上,利用PSO快速全局优化的特点,可以减少试算的盲目性,提高模型预测的准确性。     

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法

针对基于支持向量机(SVM)的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群(IPSO)算法与Powell算法相结合(IPSO-Powell)优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法(PSO)的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.     

基于PSO-SVR的岩质边坡稳定性评价模型

针对边坡稳定性影响因素的复杂性,提出了基于粒子群算法（PSO）和支持向量回归（SVR）的边坡稳定性评价模型。该模型利用粒子群算法快速全局优化的特点和支持向量回归机对小样本数据的良好学习能力,建立了岩质边坡稳定性与其影响因素之间的非线性关系。仿真实验表明,该方法具有比BP神经网络和自适应模糊推理系统（ANFIS）方法更好的预测精度。