基于网格搜索和支持向量机的灰熔点预测

为了预测混煤的灰熔点,采用支持向量机建立煤灰软化温度模型,模型将煤的灰成分作为输入量,煤的软化温度作为输出量,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行了优化,在设定的不同精度下分别获得模型的最优参数,利用优化后的模型对单煤和混煤的灰熔点进行了预测,并将不同精度下的预测结果与实验结果进行对比.煤灰软化温度模型设定精度为0.01时,单煤样本预测相对误差最小,其最大相对误差和平均相对误差分别为3.00%和0.48%;运用此模型对混煤预测的最大相对误差和平均相对误差分别为1.74%和0.62%.预测结果表明,经网格搜索优化后的支持向量机模型对煤灰熔点预测较精确.     

基于GA优化SVM的干制红枣品种分类方法

基于遗传算法(GA)优化支持向量机(SVM)分类模型能够显著改善传统SVM的分类精度。以山东大枣、新疆灰枣、新郑大枣以及稷山板枣4类品种的干制红枣为研究对象,首先采用简单线性迭代聚类算法(SLIC)对预处理后的红枣图像进行分割处理;接着针对每类红枣,提取了其6个颜色特征和20个不同角度的纹理特征等26个参数;最后将以上参数输入基于GA优化的SVM分类模型(GA-SVM)。实验结果表明:与传统SVM算法相比,GA-SVM算法对红枣的分类准确率提升了20. 00%。     

基于遗传算法和支持向量机模型的高考成绩预测

为了提高支持向量机算法(SVM)预测的精度,使用遗传算法(GA)优化SVM模型参数,建立GA-SVM高考成绩预测模型。使用贵州省某高中高三理科学生4次模考成绩和高考成绩数据进行验证,与BP神经网络算法、多元线性回归、SVM模型比较,GA-SVM模型预测高考成绩的精度有明显提高,可为高考复习方向提供参考。     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于优化支持向量机的小麦最低收购价预测

以2005年-2016年小麦最低收购价为因变量,影响粮食最低收购价相关因素为自变量,构建基于支持向量机(SVM)的粮食最低收购价预测模型,并采用遗传算法(GA)对支持向量机参数进行优化。结果表明,支持向量机能够很好地预测粮食最低收购价,且预测2017年小麦最低收购价在120.88元/50kg上下浮动。     

一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

HTS算法与GRNN、SVM耦合模型在径流预测中的应用

为提高水文预测预报精度,基于广义回归神经网络(GRNN)和支持向量机(SVM)构建GRNN_SVM耦合预测模型,利用热量传递搜索(HTS)算法同时优化GRNN、SVM关键参数和耦合权重系数,提出HTS_GRNN_SVM耦合预测模型。采用8个标准测试函数对HTS算法进行仿真验证,并与教学优化(TLBO)算法、灰狼优化(GWO)算法等当前寻优效果较好的几种算法进行对比验证;利用两个径流量预测算例对HTS_GRNN_SVM耦合模型进行实例验证,并与HTS_GRNN、HTS_SVM及GRNN、SVM模型的预测结果进行对比。结果表明:HTS算法的寻优精度优于TLBO、GWO等优化算法,具有较好的收敛速度、求解精度和稳定性; HTS_GRNN_SVM模型融合了HTS算法与GRNN、SVM模型的优点,在预测精度、泛化能力等方面均优于HTS_GRNN等4种模型。     

基于粒子群优化算法的充填体单轴抗压强度预测研究

为快速有效确定充填体单轴抗压强度,以灰砂比、固体含量和养护龄期作为输入因子,充填体单轴抗压强度作为输出因子,建立一种粒子群优化算法(PSO),对支持向量机(SVM)参数进行全局优化的预测模型。结果表明,该模型预测性能较好,相关系数高(训练集为0.996,测试集为0.993),均方误差值低(训练集为0.000 393,测试集为0.000 726 13);通过室内试验对采集的216个试样进行预测与对比,证明模型可以准确地预测充填体单轴抗压强度,大幅度减少物理试验量及缩短试验周期,为矿山充填提供一种新思路。     

热轧板带横向厚度分布的预测与控制

针对板带热轧过程中终轧板带横向厚度分布的检测、预测方法存在的缺陷,建立自适应粒子群优化算法(PSO)和误差反传递(BP)算法混合训练的神经网络预测模型.该网络模型在BP神经网络的基础上,通过自学习过程对网络结构进行动态优化;借助PSO算法优化网络的权值和阈值,提高网络收敛速度和预测精度.某厂二辊可逆热轧机现场轧制数据验证表明:稳态轧制状态下,该模型预测精度高,平均绝对误差仅为3.6μm,其中87.1%的误差在±4μm范围内;通过对轧后板带横向厚度的统计分析,去除板带头尾部分,板带厚度的绝对误差在30μm以内的频率为90%.该神经网络模型可以代替凸度仪对热轧板带横向厚度分布进行预测,并且能够对板形的调控机构根据预测结果进行精确的控制,适应高精度板形控制的要求.     

基于果蝇优化的SVM回归模型及其应用研究

为了有效解决支持向量机模型在参数选择上的盲目性,提高该模型的学习性能和泛化能力,提出一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化算法选择全局最优的SVM惩罚因子和核函数参数,建立SVM分类模型,进而将该模型应用于对有机化合物的熔点预测问题中。实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

LS-SVM在城市供热系统热负荷预测中的应用研究

为了对热负荷及时准确的预测,采用最小二乘支持向量机(Least squares support vector machines,LSSVM)算法,结合网格搜索的交叉验证参数寻优建立预测模型。实验表明,与遗传算法参数寻优的SVM相比,计算速度提高27倍,均方误差提高3倍,拟合相关参数达到99%,说明该模型能快速准确的预测预测下一个工作日的短期热负荷,是一种可行的、有效的预测方法。     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.     

黑曲霉TJ-1降解赤霉酸的条件优化及其特性研究

研究了黑曲霉TJ-1对赤霉酸的降解作用,应用Plackett-Burman试验设计确定了影响其降解赤霉酸的主要因素,利用响应面分析法优化了其降解条件,探讨了黑曲霉TJ-1降解赤霉酸的特性。结果表明,黑曲霉TJ-1能够降解赤霉酸;影响其对赤霉酸降解的主要因素包括培养温度、基质中硫酸铵及硫酸镁浓度;采用优化的降解条件,该菌株对赤霉酸的降解率可达到56.90%,与所建立响应面模型的预测值(57.46%)吻合;培养体系中赤霉酸含量、菌体生物量及pH随时间的变化呈现出一定的规律性。     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

麦草木素与煤混烧灰熔融特性

为合理利用造纸工业酸法制浆的副产品麦草木素，结合工程实际需要，对木素与煤混烧灰的熔融特性进行了研究.将质量分数为0～95％的麦草木素与煤混烧制成混烧灰，通过测定混烧灰的熔点，观察到随着木素质量分数的增大，混烧灰的熔点出现下降、上升再下降的趋势.结合灰成分分析，利用K₂O-Al₂O₃-SiO₂和CaO-Al₂O₃-SiO₂ 2个三元系统相图，验证了混烧灰熔融特性曲线的变化趋势与相图中矿物形成温度的变化趋势相一致，从而得出灰成分变化是造成混烧灰熔融特性变化的根本原因，同时也发现了生物质与煤混烧可以改变生物质类燃料低熔点的性质，在燃烧利用上较单纯燃烧生物质更具优越性.     

基于GA-SVM方法的结肠癌基因表达谱数据分析

对结肠癌的基因表达谱数据进行分析,提出选取其特征基因的新方法。首先考虑到基因表达谱数据高维数、小样本的特点,采用Bhattacharyya距离对数据进行降维,运用遗传算法生成特征基因子集,以支持向量机作为分类器,建立了基于GA-SVM的结肠癌两类别分类模型。实验结果表明,仅需提取10个特征基因就可获得95.62%分类准确率。     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.