基于PSO算法和SVR模型的加工中心可靠性模型参数估计

针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。     

基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于粒子群优化LS-WSVM的电机断条故障诊断

为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法。首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集。再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小波支持向量机对测试集进行分类。实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法。本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法。     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

改进DOAS技术在混合气体中的定量分析

针对差分吸收光谱技术(DOAS)中混合气体吸收光谱重叠问题,提出了一种建立在粒子群优化算法和最小二乘支持向量机算法融合上的改进的DOAS方法.采用最小二乘支持向量机技术对SO2、NO分别建立定量分析模型,并运用粒子群优化算法的强大寻优能力对最小二乘支持向量机算法中的参数进行寻优,最后对定量分析模型进行重建.实验结果表明,采用数据融合的DOAS方法,在解决混合气体光谱重叠问题上切实可行,分别将SO2、和NO最大绝对误差率提高到1.200 0%和2.691 8%,具有一定的实际意义.     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。     

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。     

基于加权粒子群优化的LSSVM的钢铁企业电力负荷预测

钢铁企业电力负荷作为电力负荷的重要组成部分,钢铁电力负荷的准确预测对于提高电力负荷预测精度具有重要意义。为了实现钢铁电力负荷的中长期预测,本文选取了经济因素和社会因素作为自变量,引入带有惯性权重的粒子群算法(WPSO)对传统的最小二乘支持向量机智能预测模型(LSSVM)参数进行优化,并利用某地区钢铁电力负荷样本数据进行验证,拟合结果显示,经过粒子群算法优化后的最小二乘智能向量机算法预测精度更高,收敛速度更快,具有良好的推广性和适应性。