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.     

系统级故障诊断综述

该文对现有的系统级故障诊断算法按模型、诊断方式、诊断目标分别进行了分类,进而阐述了系统级故障诊断算法的近期主要研究成果,最后预测了该领域的未来研究方向与发展前景。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于覆盖算法的降雨量预测

首先介绍了覆盖算法的基本原理,然后在此基础上,以安徽省宣城市1960年至2006年的降雨量数据为应用实例,尝试应用覆盖算法进行建模,利用算法的优势,充分挖掘和利用数据中的隐含信息,用于对该地区的降雨量状况进行预测和分析,从中检验覆盖算法在该领域的预测效果。实验表明将覆盖算法应用于降雨量预测中,能得到较好的预测结果,为降雨量预测提供了一个新的实现方法,为气象科学的研究提供了新的研究模型。     

基于构造性神经网络的石油测井解释方法

为了克服传统的BP神经网络算法收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法——级联算法CCA及其在石油工程中的应用。采用该算法进行了储层参数预测的研究,通过与BP神经网络的研究结果进行比较,进一步体现出构造性神经网络的优越性。     

支持向量机与AdaBoost的结合算法研究*

将支持向量机与AdaBoost算法相结合,称其为Boost-SVM。从提升泛化性能和预测精度等方面对支持向量机的学习算法进行了研究与比较。Boost-SVM实验结果表明,该算法提高了支持向量机的预测精度并优化了学习机的性能。     

蛋白质网络中复合体和功能模块预测算法研究

预测蛋白质相互作用网络中的复合体和功能模块对于理解生物系统的组织和功能具有重要的意义.到目前为止,已经出现了大量的蛋白质复合体和功能模块预测算法及相关的软件,这些算法各具特色,但同时也具有一定的局限.文中对典型的聚类预测算法进行了研究,依据算法特性对它们进行了分类,并从算法思想、关键技术以及算法性能等方面进行了分析和比...     

Modeler环境下基于CHAID算法的期末卷面成绩情况研究

从数据挖掘的角度出发,利用决策树算法建立数据模型来预测学生的期末卷面成绩是否及格.对CHAID算法及数据分析工具Modeler进行了相关介绍,针对研究目标和方法及建模过程进行了详细叙述,并对预测结果进行了分析和评估.     

基于预测及蚁群算法的云计算资源调度策略

研究云计算资源调度问题,针对目前静态的网格资源调度算法只考虑任务完成时间最小化,导致了不能满足动态的云计算资源调度要求。为了适应云计算的动态性和实时性,解决云计算资源调度问题,降低数据中心用电量,提出一种基于预测及蚁群算法的云计算资源调度策略。当数据中心利用率较低时运行改进蚁群算法来合理调度虚拟机至宿主机,通过动态趋势预测算法预测数据中心负载来智能开关宿主机。仿真结果表明,采用预测及蚁群算法进行的云计算资源调度策略,保证了云计算的实时性,并有效减少数据中心用电量。     

基于优化后的内核极限学习机的短期风力发电功率预测

为提高短期风力发电功率预测的精度,经过对比选择了内核极限学习机(Kernel Extreme Learning Machine,KELM)预测模型的原始模型,对该模型的内部参数进行研究,选择了多元宇宙优化算法(Multi-Verse Optimizer,MVO)对其参数进行优化。还提出用鲸鱼优化算法(Whale Optimization Algorithm,WOA)来给MOV初始化种群,以使MVO算法更不容易陷入局部最优,从而有着更好的求解能力。通过此预测模型进行发电功率预测,获得一个均方根误差(RMSE)值为0.0032、平均预测误差为0.00033的预测结果,最后进行对比实验验证其具有较好的预测效果。