基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

基于ANN和SVM的质量预测方法研究

针对随机抽取的质量数据序列的特点,提出时序空间(Time Seauence Space,TSS)的概念,将人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support VectorMachine,SVM)回归模型引入质量数据预测领域.并给出了相应的过程和算法.使用均方误差对拟合精度进行检验,用相对误差对预测精度进行检验.结果表明,相对于传统的多项式回归模型,人工神经网络和支持向量机回归模型的拟合精度较高,相对误差较小,泛化能力较强,可以作为质量数据的预测方法.     

基于模拟退火算法优化的支持向量回归机对内螺旋槽切削力的预测

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,为刀具设计提供依据,并经切削力实验对预测值进行验证。通过仿真以及切削力实验可知,模拟退火算法优化的支持向量回归机预测精度比优化前的预测精度提高了50%以上,且模拟退火优化的支持向量机模型能够应用于实际内螺旋槽的切削加工中。     

灰色SVR模型在珩磨尺寸预测中的应用

针对灰色(1,1)模型(Grey model(1,1), GM(1,1))对非指数型数据序列预测精度低的问题,提出了一种灰色支持向量回归(Grey support vector regression, GSVR)预测模型。该模型一方面通过参数累积估计、预测公式改进和数据等维递补,对灰色模型进行建模优化,另一方面通过差分变异和混沌局部搜索改进的粒子群算法,对支持向量回归机进行参数优化,再将二者相结合进行预测。对柱塞套内圆珩磨尺寸的预测结果表明,该模型的预测均方误差为0.3913,平均绝对百分比误差为4.90%,其预测精度较GM(1,1)模型显著提高。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

规则的多核学习支持向量回归算法

核函数的选择与数据分布信息密切相关,为了避免单一核函数选择的盲目性,提高支持向量回归机的性能,提出一种基于规则的多核支持向量回归算法。算法采用基于加法规则或基于乘法规则来获取多核,增强了核函数的非线性和多样性,进而进行多核学习。UCI数据集上的实验结果表明,与传统的支持向量回归机相比,所提算法能有效提高模型的预测精度和泛化性能,有着更为客观的优势;对比基于加法规则和基于乘法规则的多核学习算法的实验预测结果,可知两者的预测精度和模型稳定性基本相当,证实了所提算法的有效性。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

LS-SVM技术在曳引机故障预测中的应用

利用支持向量机采用的结构风险最优化准则、预测能力强、鲁棒性好等优点,研究了最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)回归算法在曳引机故障预测中的应用。提出了一种自动搜寻最优参数方法,对参数和进行寻优,避免了人工选择的盲目性,提高了算法的效率。通过将LS-SVM和RBF神经网络进行对比实验,得出在相同训练样本条件下,LS-SVM可以取得比RBF更好的预测精度和预测速度,更加适合于现场实际应用。最后将LS-SVM模型用于曳引机振动信号的时域分量预测中,预测的平均相对误差小于5%,取得了较高的预测精度。