基于NGA-LSSVM的白水浓度软测量

提出了一种基于小生境遗传算法—最小二乘支持向量机(NGA-LSSVM)的软测量建模方法.充分利用遗传算法强大的全局搜索能力,引入小生境遗传算法对最小二乘支持向量机各个参数(损失函数参数、惩罚因子、核函数及其参数)进行优化选择,将支持向量机参数由人工选取变为自动确定,为解决支持向量机参数自动优化问题提供了一条有效的途径.将所提出的建模方法应用于制浆造纸生产过程白水浓度软测量研究中,研究结果表明:与普通最小二乘支持向量机相比,该建模方法具有更佳的预测精度,能满足造纸生产过程的实际需要.     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

基于KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

基于最小二乘支持向量机的SF6气体分解产物的浓度检测

在电力设备检修中,可通过检测SF6的分解产物H2S气体、SO2气体和CO气体的浓度判断设备运行状况.采集三种电化学气体传感器经A/D转换后的值,将该值作为样本数据对各气体的最小二乘支持向量机模型进行训练,在输出值与期望值的误差满足要求条件下,采用粒子群算法获取最小二乘支持向量机的最优参数,确定各气体的最小二乘支持向量机...     

基于机器学习的水质COD预测方法

运用紫外光谱进行水质有机污染物浓度（化学耗氧量(COD)）的检测,必须建立紫外光谱数据与COD值之间的数学模型.运用机器学习方法中的LM-BP神经网络和支持向量机,建立了紫外多波段光谱数据与COD值的相关性模型,讨论了在LM-BP神经网络建模中网络结构选择、输入数据处理和训练程度控制,以及在支持向量机建模中核函数及其参数选择等问题.对某种水样的紫外多波段光谱,分别运用最小二乘法、LM-BP神经网络、支持向量机的相关性模型进行COD预测.结果表明,2种机器学习方法的预测能力明显优于最小二乘法,能够得到满意的预测精度,为运用物理方法解决化学量测量中普遍存在的相关性问题,提供了实际可行的解决方案.     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

多元分类LS-SVM设计与装备保障性评估

科学、有效地进行保障性评估是提高装备综合保障能力和加快装备形成战斗力的研究重点之一；支持向量机是采用结构风险最小化原则代替传统统计学中的，基于大样本的经验风险最小化原则的新型机器学习方法，具有出色的学习分类能力和推广能力。研究了新型支持向量机算法——最小二乘支持向量机，并设计了基于多元分类的最小二乘支持向量机；建立了装备保障性评估的最小二乘支持向量机决策模型，确定了保障性评估指标体系和支持矢量学习决策模式；对某新型装备的保障性进行了评估。结果表明，基于最小二乘支持向量机的保障性评估是有效的、可行的。     

基于最小二乘支持向量机的时用水量预测模型

针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力.     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

On-line least squares support vector machine algorithm in gas prediction

Traditional coal mine safety prediction methods are off-line and do not have dynamic prediction functions. The Support Vector Machine (SVM) is a new machine learning algorithm that has excellent properties. The least squares support vector machine (LS-SVM) algorithm is an improved algorithm of SVM. But the common LS-SVM algorithm, used directly in safety predictions, has some problems. We have first studied gas prediction problems and the basic theory of LS-SVM. Given these problems, we have investigated the affect of the time factor about safety prediction and present an on-line prediction algorithm, based on LS-SVM. Finally, given our observed data, we used the on-line algorithm to predict gas emissions and used other related algorithm to com- pare its performance. The simulation results have verified the validity of the new algorithm.     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

基于蚁群和支持向量机的microRNA预测方法

由于microRNA在生物体系统中起着重要的调控功能,对microRNA进行快速有效的预测很有必要.本文通过使用蚁群算法和支持向量机相结合的思想,结合microRNA的前体pre-miRNA序列特征和结构特征,构造了一种microRNA的预测方法.通过采集Sanger和UCSE数据库中的人类阳性和部分阴性数据集进行学习和测试,同时使用J48和BP神经网络两种机器学习方法进行对比,实验结果显示,使用蚁群算法和支持向量机的方法预测pre-miRNA的识别率达97.471％,与另外两种方法相对比,识别率分别提高了8.736％和10.575％,预测的准确性有显著提高.     

基于最小二乘支持向量机的变速风力发电机组模糊控制器

提出了一种新型模糊控制器用于变速风力发电机组最大能量获取,该控制器中使用了基于最小二乘支持向量机(LS-SVM)的机组Takagi-Sugeno-Kang(TSK)模糊模型。建模过程中,采用了模糊聚类的方法进行输入输出空间的划分,并以LS-SVM的方法确定模糊规则的后件参数。将该控制器应用于变速风力发电系统的仿真结果表明,机组很好地实现最大能量获取的目标,并具有实时性强、容错性、学习能力强、计算速度快等优点。     

支持向量机的红外目标自动检测与识别

针对红外图像提出一种基于支持向量机的目标检测和识别算法，首先运用数学形态学方法对背景进行滤波，突出候选目标；选取适当的阈值和边缘检测算子对候选目标进行图像二值分割和边缘提取；最后以候选目标的边界不变矩作为特征，用支持向量机方法进行目标的识别，确定目标的位置．实验表明，该方法能够有效地实现对红外目标的检测和识别，并具有较高的抗噪声和抗复杂背景的能力。     

基于最小二乘支持向量机的岩土本构关系曲线拟合

最小二乘支持向量机（Least Square Support Vector Machine,简称LSSVM）是对支持向量机（SVM）的一种改进,是继人工神经网络（ANN）之后又一新的机器学习方法。利用LSSVM拟合了利用Duncan-Chang本构模型的E-V模式数值模拟岩土的三轴实验得到的应力-应变函数曲线。通过对比分析,验证了LSSVM用于岩土本构关系曲线拟合的可行性和精确性。     

基于灰色关联支持向量机的河道预测在S油田N区的应用

于陆源碎屑盆地储层条件复杂、岩相相变快等因素影响,应用常规地震属性预测河道难以达到精度的要求。以S油田N区XII7-12层系为例,通过地震正演分析得出,不同类型储层的地震剖面反射特征不同,合层层系的地震属性可以作为该区主河道预测的有效尺度。在此基础上,利用灰色关联分析与支持向量机结合的方法,完成N区基于灰色关联支持向量机（GRA-SVM）地震属性预测。经钻井证实,基于GRA-SVM属性预测的钻井符合率较高,借助地震反演预测河道砂边界的优势,通过对聚驱井组动静态资料综合分析,有效解决了S油田N区聚驱井组XII7-12层系的注采系统矛盾,从而进一步验证了基于GRA-SVM属性预测的准确性。综合研究表明,此方法用于河道预测精度较高,可作为复杂地质条件下一种较好的河道预测方法。