基于QPSO参数优化的LS-SVM智能标定

研究粒子群算法（PSO）优化最小二乘支持向量机（LS-SVM）的参数时,受到搜索空间有限的限制,容易陷入局部极值,直接影响罐容表的标定精确度的问题。针对该问题,作者采用量子粒子群算法（QPSO）选取LS-SVM的径向基核参数进行优化,建立了基于QPSO-LS-SVM的罐容表标定的软测量模型。仿真实验结果表明：该方法不用建立复杂的机理模型,只需利用QPSO-LS-SVM算法进行软标定,大幅度缩短了训练建模时间,提高了运行效率。     

一种基于QPSO和WLS-SVM的智能方法

提出一种基于量子粒子群优化算法(QPSO)和加权最小二乘支持向量机(WLS-SVM)的智能方法,以克服常用方法存在需要较大样本数据量、建模速度较慢差等缺点.方法的具体改进是,将SVM中单一核函数构造成混合核函数,增加自适应权重,采用QPSO算法求解WLS-SVM训练模型中的线性方程组,这样能提高模型的性能.经过典型的二型糖尿病诊断实验,结果表明其建模速度快、诊断准确率高,其效果优于改进BP算法神经网络、LM算法神经网络和单核函数的SVM等方法.     

基于平面靶分割区间LS-SVM摄像机标定的研究

摄像机标定是视觉系统精确的前提.利用最小二乘支持向量机实现摄像机的标定不需确定摄像机具体的内部参数和外部参数.由于镜头的畸变主要由径向畸变引起,根据摄像机畸变的特点,对畸变区域进行划分,提出一种基于分割区间最小二乘支持向量机的摄像机标定法,对不同的畸变区域进行单独处理.该方法同BP神经网络和基本最小二乘支持向量机标定预测结果对比表明,基于分割区间最小二乘支持向量机的摄像机标定法速度快,实时性好,能有效提高标定精度.     

基于改进粒子群优化LS-SVM的变压器故障气体预测

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择.提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测.改进粒子群算法在每次迭代中,将粒子群进行分类,不同类...     

贝叶斯证据框架下LS-SVM的BPMSM磁链建模

针对常规解析法建立无轴承永磁同步电机(BPMSM)磁链模型的局限性,提出一种贝叶斯证据框架下最小二乘支持向量机(LS-SVM)的BPMSM磁链建模方法.对BPMSM磁链的非线性建模进行简单分析,在介绍LS-SVM回归理论和贝叶斯证据框架基本思想的基础上,通过贝叶斯证据框架推断准则1确定模型的权向量w,通过贝叶斯证据框架推断准则2确定模型的正则化参数γ,通过贝叶斯证据框架推断准则3确定模型的核参数σ,进而建立基于贝叶斯证据框架下LS-SVM的BPMSM磁链模型.在Matlab7.0环境下进行仿真研究.仿真结果表明,贝叶斯证据框架下LS-SVM的磁链模型具有拟合精度高、泛化能力强、结构灵活、计算速度快等特点.     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机（LS-SVM）的股票价格预测方法。采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优。预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测。     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

一种基于LS-SVM的CDMA信号接收机自适应核方法

给出了一种基于最小二乘支持向量机(LS-SVM)的码分多址(CDMA)系统信号接收机非线性自适应核算法。LS-SVM使用均方误差原则,优点是能应用于自适应在线的情况,基于LS-SVM的接收检测器复杂度适中,能够实现非线性分类,并能够自适应执行,而且仅仅只需要从用户那里得到较少的训练数据序列。     

基于LS-SVM的模糊控制器研究

探讨了利用最小二乘支持向量机(LS-SVM)进行模糊控制器分析与设计研究的方法,提出了基于LS-SVM模型的模糊控制算法.该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点.仿真结果表明,LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.基于LS-SVM的模糊控制器具有很好的控制性能.     

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LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

基于PSO-LSSVM的建筑周围气象参数超短期预测

建筑周围气象参数的不确定性和持续波动性,为建筑系统动态负荷预测及实时优化控制带来困难。文章以最小二乘支持向量机(LSSVM)作为预测算法,运用粒子群优化算法(PSO)优化LSSVM模型参数,建立基于历史信息的多输入多输出(MIMO)建筑周围气象参数预测模型,对影响建筑负荷的室外温度、湿度及风速进行超短期预测。结果表明:PSO算法可对模型参数进行优化,基于PSO-LSSVM算法构建的建筑周围气象参数超短期预测模型能够实现未来140 min气象参数的预测,为建筑供能和用能系统动态优化运行提供数据。     

最小二乘支持向量机的参数优化算法研究

该文针对最小二乘支持向量机的参数优化存在的问题,提出交叉验证的最小二乘支持向量机的参数自调整优化算法,用非线性测试函数的数据进行训练,并用于水下FCAW熔深多信息在线监测。最后把最小二乘支持向量机与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度是令人满意的,该文提出的方法是可行的。     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

基于电容层析成像和LS-SVM的空隙率测量

基于12电极电容层析成像（ECT）和最小二乘支持向量机（LS-SVM），提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像，结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入，利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时，首先辨识流型，然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程，提高了空隙率测量的实时性.实验结果表明该测量方法是有效的.     

一种基于微粒群算法的自适应滑模控制

提出了一种基于微粒群算法的自适应滑模控制方法,把微粒群算法运用于自适应滑模控制器设计中。首先利用一种自适应算法估计系统中总不确定量的上确界,然后利用微粒群算法对自适应滑模控制器的切换参数和自适应参数进行优化调节,在改善系统控制性能和鲁棒性的同时削弱了抖振。仿真研究结果证明了该方法的有效性。