改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于IPSO-SVR的水泥分解炉温度预测模型研究

为建立稳定可靠的分解炉温度预测模型,结合与分解炉温度密切相关的几个主要运行参数,提出一种粒子群参数优化的支持向量回归机算法(PSO-SVR),并在粒子群算法中引入自适应惯性权重的思想,构建出分解炉温度预测模型。与未改进的模型进行仿真对比实验,实验结果表明,该IPSO-SVR模型具有较佳的预测能力,预测相关系数达到0.707 5,温度预测误差绝对值不超过7℃,误差率在0.8%以内。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

HAFBPS对发酵法生产透明质产量的预测

针对发酵生产透明质酸产量进行的预测方法困难的问题。提出一种基于粒子群算法的支持向量机模型,对发酵产物透明质酸的产量进行预测。支持向量机的精确度主要取决于惩罚系数和核参数的设定,为了提高其预测的精确度,将惩罚系数和核参数看成是一定空间范围的解,利用粒子群算法对其全局优化运算。通过比较HAFBPS和同类方法的仿真实验结果,得出基于粒子群算法的支持向量机模型在对发酵产物透明质酸的预测上具有更高的精确度     

粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。     

基于CSO算法优化支持向量机的变压器故障诊断

文章对油色谱数据气体含量分析,选择以混合特征量为新的数据组,将鸡群算法(chicken swarm optimization,CSO)与支持向量机方法相结合,构建了一个由鸡群算法优化支持向量机方法的变压器故障诊断模式。算法充分利用CSO优化SVM的参数,同时引入自适应惯性和偏好随机游走权重对种群位置更新上进行优化以获取具有最佳参数的支持向量机模型。仿真结论表明,改进鸡群算法故障诊断模型与粒子群算法故障诊断模型相比在较短的时间内达到最优收敛,同时使故障诊断精确率得到明显提高。     

基于PSO-LSSVM的振弦传感器温度补偿

针对振弦传感器测量精度受环境温度影响的问题,本文提出基于粒子群-最小二乘支持向量机的温度补偿方法。采用泛化能力好、收敛速度快、全局最优的最小二乘支持向量机,并引入粒子群算法对最小二乘支持向量机的两个参数进行优化,建立预测模型,进行温度补偿。实验表明:与BP神经网络算法相比,该方法提高了传感器的精度。     

粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

改进混沌粒子群的动态模糊神经网络参数优化及应用

动态模糊神经网络（DFNN）的性能和学习的稳定性取决于其预设参数的选择,针对DFNN多参数优化问题,提出了改进混沌粒子群优化算法,并将其应用于DFNN神经网络预设参数寻优,以获取最佳参数组合。实验结果表明,该方法能够快速有效地提取DFNN的最优参数组合,具有精度高、收敛快、迭代次数少等特点;利用改进混沌粒子群的动态模糊神经网络构建煤与瓦斯突出预测模型,具有良好的建模效果和更高的预测精度。