基于高斯噪声的孪生近端最小二乘支持向量回归模型研究及应用

孪生近端最小二乘支持向量回归机(twin proximal least squares support vector regression,TPLSSVR)是在PLSSVR模型的理论基础上结合TSVR模型的双超平面理念而设计的一种新的回归模型. 本文利用TPLSSVR模型框架构建了基于高斯噪声的孪生近端最小二乘支持向量回归模型. 该模型利用最小二乘方法,分别加入正则化项b²₁、b²₂,将一个不等式约束问题转化为两个更简单的等式约束问题,提高了模型的泛化能力,有效提升了预测精度. 为解决模型的参数选择问题,选用收敛速度快、鲁棒性好的粒子群优化算法对模型参数进行优化选择. 将新构建的模型应用于人工数据集和风速数据集,实验结果显示该模型有较好的预测效果.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于多种神经网络的水沙预测模型研究

为解决水沙变化机理中水库泥沙难以预测的问题,采用支持向量回归（support vector regression, SVR)、遗传算法-支持向量回归（genetic algorithm-support vector regression, GA-SVR）、粒子群优化-支持向量回归（particle swarmoptimization-supportvectorregression,PSO-SVR）、最小二乘支持向量回归（leastsquaressupportvector regression, LSSVR)等模型进行研究,并将模型应用于黑孜水库水文站的年径流量及年输沙量序列的预测分析。数据资料序列划分为85%的训练数据和15%的测试数据,使用均方根误差、相关系数、平均绝对百分比误差、纳什系数这4项指标来评价模型的精度,得到的结果可以为水库的短期调度和长期管理提供帮助。结果表明：LSSVR算法是4种模型中最优的,其误差最小,精度最高;构建的模型可为其他地区的水沙预测提供参考。     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

基于鲁棒最小二乘支持向量机的齿轮磨损预测

为了降低包含噪声的现场齿轮磨损数据对最小二乘支持向量机(least squares support vector machine,LSSVM)模型稳健性的影响,采用迭代鲁棒最小二乘支持向量机(iteratively robust least squares support vector machine,IRLSSVM)对齿轮磨损数据进行建模和预报.首先,增加权函数迭代次数以保证建模过程的鲁棒性;然后,将具有全局搜索的耦合模拟退火(coupled simulated annealing,CSA)与局部优化的单纯形法(simplex method,SM)相结合的方法用于优化IRLSSVM模型超参数,进而采用鲁棒交叉验证作为CSA-SM算法拟合目标函数,提高IRLSSVM模型超参数优化过程的鲁棒性;最后,利用K727840ZW变速箱现场齿轮磨损数据进行了数值实验,结果验证了所提出方法的有效性.     

基于LSTSVR的路基沉降组合预测模型

鉴于路基沉降各种单相预测模型均有其适用范围,总体预测波动性较大,精度较低,提出基于最小二乘双支持向量回归机(LSTSVR,least square twin support vector regression)的路基沉降组合预测模型。该模型的核心是根据路基沉降的发展规律及其沉降曲线的特点,选择具有S型特点的成长曲线特征的单相预测模型;以各单项预测模型预测结果作为最小二乘双支持向量回归机的输入向量,构建路基沉降组合预测模型。对比试验表明:提出方法具有更好的预测精度和稳定性。     

基于最小二乘支持向量机的军用软件开发成本测算研究

利用最小二乘支持向量机（least squares support vector ma-chines,LS-SVM）适用于小样本预测的优势,将该方法运用到军用软件开发成本测算领域,建立了基于LS-SVM的军用软件开发成本测算模型并进行了实例分析。结果表明：在同样的样本数据条件下,该模型有效提高了测算精度,为军用软件早期开发的成本测算提供了新的有效方法。     

基于LS-SVM与模糊补准则的特征选择方法

针对传统特征选择算法采用单一度量的方式难以兼顾泛化性能和降维性能的不足,提出新的特征选择算法(least squares support vector machines and fuzzy supplementary criterion, LS-SVM-FSC)。通过核化的最小二乘支持向量机(least squares support vector machines, LS-SVM)对每个特征的样本进行分类,使用新的模糊隶属度函数获得每个样本对其所属类的模糊隶属度,使用模糊补准则选择具有最小冗余最大相关的特征子集。试验表明:与其他10个特征选择方法与7个隶属度决定方法相比,所提算法在9个数据集上都具有很高的分类准确率和很强的降维性能,且在高维数据集中的学习速度依然很快。     

基于自适应人工蜂群算法优化的最小二乘支持向量机在变形预测中的应用

针对人工蜂群算法(ABC)机制中步长更新及概率选择方面的不足,提出了自适应人工蜂群算法(AABC).在AABC中设计了新的自适应步长更新公式及自适应概率选择公式来平衡算法的勘探和开发能力.采用AABC算法对最小二乘支持向量回归机(LSSVR)进行参数优化,进而构建出基于AABC优化的LSSVR变形预测模型并应用于滑坡变形预测.实验结果表明,AABC有效的解决了ABC过早收敛、收敛精度不高等缺点,且较对比模型来讲,AABC_LSSVR模型预测精度更高,预测趋势更符合实际.     

T型管液压成形加载路径自适应多目标优化

为解决静态代理模型非线性结构优化效率、精度低的问题,采用最小二乘支持向量回归机(LSSVR)模型进行T型管液压成形加载路径自适应多目标优化研究.用一个数值算例说明本文方法的有效性,以管与背压冲头的接触面积最大及管的最大减薄率最小为优化目标,以接触面积大于对标仿真值、最大减薄率小于实验值、高度大于实验值为约束条件进行多目标优化设计.采用拉丁超立方体设计构造初始支持向量回归模型,用自适应法将每次迭代中获得的额外取样点添加到重建的支持向量回归机模型,得到帕累托最优解集.用理想点法,选择一个最优妥协解以供工程师选用.在成形高度没有变差的情况下,自适应多目标优化结果的管与被压冲头接触面积比实验值提高了32.42%,最小厚度比实验值增加了14.97%.表明自适应迭代LSSVR模型能够在少量样本下保证优化设计精度和计算效率.     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

灰色粒子群自适应卫星钟差预报方法

高精度卫星钟差预报是当前接收机实时精密单点定位技术(Real-time precise point positioning,RT-PPP)亟需解决的关键技术难题之一.为找到一种基于小样本钟差序列的快速高精度卫星钟差预报方法,在分析常规GM(1,1)灰色模型(grey model)缺点的基础上对其进行了改进,提出了PGM(1,1)模型(particle swarm optimization-grey model)及其算法.该模型利用最新量测值进行初始化,然后通过引入遗忘因子的最小二乘法对新旧信息进行加权处理;再引入优化因子对模型系数进行调节,以归一化的平均相对误差作为精度检验标准,采用粒子群算法对其自适应寻优.最后选取了5颗钟差变化典型的GPS(global positioning system)卫星原子钟进行1 d内的精密钟差预报实验.结果表明,相对于常规GM(1,1)灰色模型和常规二次项拟合模型,所提出的模型及其算法预报精度有显著提升,其平均预报残差达到了亚纳秒级,且所需训练样本小.因此,该预报模型可以应用于卫星钟差快速精准预报.     

自适应粒子群算法在非线性回归中的应用

采用自适应算法调整粒子群的权重,优化非线性回归模型的参数,并将其应用于酶促反应的参数求解。与线性化、非线性最小二乘以及标准粒子群的结果比较表明,用自适应粒子群求解的非线性回归方程有更高的精度。     

小样本条件下航空装备费用预测

为了提高小样本条件下的航空装备费用预测的精度,将信息扩散方法和支持向量机相结合,提出了信息扩散支持向量机预测模型,对模型的拓扑结构、建模步骤进行了描述.为了采用粒子群优化算法为模型选择合适的参数,考虑到模型参数既有连续变量,又有离散变量,提出对粒子位置的各个分量采用不同的更新策略.将信息扩散支持向量机应用于军用飞机机载...     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。