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GA-LSSVM直吹式制粉系统煤粉细度软测量

针对燃煤电厂中煤粉细度难以测量的问题,提出了一种基于遗传算法优化最小二乘支持向量机(LSSVM)超参数的煤粉细度软测量方法。通过制粉系统特性试验,综合分析出影响磨煤机煤粉细度参数的主要因素。采用遗传算法优化支持向量机超参数方法构建煤粉细度软测量模型。将该方法用于特性试验,发现检验样本的均方根误差为1.7%,证明煤粉细度软测量方法有效,满足煤粉细度模型精确预测的需求。     

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.     

遗传最小二乘支持向量机法预测时用水量

为解决传统最小二乘支持向量机采用交叉验证确定参数耗时较长的问题,提出基于遗传算法和最小二乘支持向量机的城市时用水量预测方法.根据城市时用水量序列具有较强相关性的特点,利用自相关系数法分析时用水量序列的变化规律,并引入二进制编码的自适应遗传算法优化最小二乘支持向量机的超参数,采用交叉验证法确定遗传算法个体的适应值,建立了时用水量预测模型.实例分析表明：与基于传统最小二乘支持向量机的时用水量预测方法相比,基于遗传算法和最小二乘支持向量机的时用水量预测方法计算速度更快,预测精度更高.     

基于混沌果蝇优化最小二乘支持向量机的秸秆发酵过程软测量建模

针对秸秆发酵制取燃料乙醇过程的关键参量乙醇质量浓度难以用传统物理传感器实时在线测量,给发酵过程的监测与控制带来困难这一难题,采用混沌果蝇优化算法( chaos fruit fly optimization algorithm,CFOA)优化最小二乘支持向量机( least square support vector machine,LSSVM)的关键参数,避免了普通交叉验证法选取参数的耗时性和盲目性,建立混沌果蝇最小二乘支持向量机软测量模型,实现乙醇质量浓度的在线实时测量.实验仿真表明：基于CFOA的LSSVM模型平均误差为4.55%,明显优于LSSVM模型,表明该软测量建模方法预测能力强,测量精度高.     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

基于最小二乘支持向量机的黏着状态辨识

针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。     

基于LS-SVM苯乳酸发酵过程的建模

为了解决苯乳酸发酵过程中关键生物参数难以直接在线检测的问题,提出了基于最小二乘支持向量机（LS-SVM）的软测量建模方法. 通过使用径向基核函数来对菌体浓度、苯乳酸浓度建立模型,对建模的理论进行了分析和并进行了仿真研究,同时还采用支持向量机对过程进行了建模,对两种方法的优缺点进行了比较. 结果表明,基于LS-SVM的建模方法预测精度高、跟踪性能好,能提高在线预估的效率,非常适合于苯乳酸发酵过程的在线预估.     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

基于最小二乘支持向量机的时变信道建模

基于2.55 GHz市区微蜂窝多输入多输出信道实测数据,将机器学习中的最小二乘支持向量机（LS-SVM）算法应用于时变信道参数的建模中,建立了基于遗传算法（GA）优化的LS-SVM信道参数预测模型,对信道参数如时延扩展、接收端的水平角度扩展和垂直角度扩展的数据特征进行了学习,并实现了准确预测;同时通过与反向传播神经网络模型以及传统的LS-SVM模型进行比较,验证了算法的有效性.基于GA优化的LS-SVM模型能够在有限数据量下对信道参数的变化有着良好的适应性,可实现非线性时变信道参数的准确预测.     

基于GA-ANN的非线性半参数建模方法

为结合参数模型与非参数模型各自的优势,提高建模精度,将非线性半参数模型引入到工业过程建模中.提出基于遗传算法和神经网络的非线性半参数模型的建模方法及结构方案,并给出同时估计参数模型部分和非参数模型部分的交叉循环迭代的算法步骤.对算法中的神经网络的设计和遗传算法进行了改进研究,重点讨论了在增加精英保留策略、增加算法的记忆功能、提出新的适应度计算方法和交叉变异策略等方面的改进措施.采用聚乙烯装置的现场工业数据对方法的有效性进行了验证.结果表明：半参数模型比传统的参数模型有更好的预测精度,并能够较好地跟踪过程变化.     

基于LS-SVM的光纤智能结构损伤诊断

针对目前结构损伤诊断方法的局限以及最小二乘支持向量机算法优点,提出采用最小二乘支持向量机来对光纤智能结构损伤位置识别进行研究,并在Matlab中编制了相应的支持向量机程序,建立了相应损伤诊断模型.以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的光纤智能结构损伤诊断可行性.试验研究结果表明,基于最小二乘支持向量机光纤智能结构损伤诊断识别方法具有较高的可靠性和精度且操作方便,是一种性能优良的智能识别方法,为智能结构实现损伤自诊断提供了更为先进的方法.     

基于AP-LSSVM的多模型预测控制

针对一类非线性系统的控制问题,结合基于仿射传播聚类的最小二乘支持向量机（LS-SVM）多模型建模算法与PSO优化算法,提出新的多模型预测控制算法.采用仿射传播聚类算法对历史样本数据进行聚类,得到各个类的训练样本数据|利用LS-SVM对各个类分别建立子模型,采用网格搜索和交叉验证为各子模型找到合适的模型参数,将所建立的子模型作为预测控制算法的预测模型.在滚动优化时,计算当前控制量与各聚类中心的欧氏距离,选择相应的子模型计算未来时刻模型的预测输出,计算得到参考轨迹.建立优化问题的目标函数,采用PSO算法优化求解得到系统的最优控制量作用于对象.将提出的算法在某芳烃异构化过程中进行仿真试验,分别采用提出的算法以及单模型预测控制算法、基于k均值和BP神经网络的多模型预测控制算法进行仿真.结果表明,采用提出的多模型预测控制算法可以获得更好的控制性能.     

基于优化参数的LS-SVM模型的股票价格时间序列预测

为有效预测股票数据,提高投资者的股市投资能力,降低投资风险,提出一种基于优化机器学习方法的股价时间序列预测方法。对股票序列进行了主成分分析,提取累积贡献率大于95%的主成分作为输入变量,并对比了优化核函数宽度g和正则化参数γ后的LS-SVM和SVM模型的预测效果。运用的支持向量机技术经遗传算法优化参数后,降低了预测的均方误差,提高了预测效果和效率,较其他非线性预测方法,具有泛化能力好、鲁棒性强、预测精度高等优点。最后给出了实证结果分析和研究结论,对有效预测股票数据有一定现实指导意义。     

Time series online prediction algorithm based on least squares support vector machine

Deficiencies of applying the traditional least squares support vector machine （LS-SVM） to time series online prediction were specified. According to the kernel function matrix＇s property and using the recursive calculation of block matrix, a new time series online prediction algorithm based on improved LS-SVM was proposed. The historical training results were fully utilized and the computing speed of LS-SVM was enhanced. Then, the improved algorithm was applied to timc series online prediction. Based on the operational data provided by the Northwest Power Grid of China, the method was used in the transient stability prediction of electric power system. The results show that, compared with the calculation time of the traditional LS-SVM（75 1 600 ms）, that of the proposed method in different time windows is 40-60 ms, proposed method is above 0.8. So the improved method is online prediction. and the prediction accuracy（normalized root mean squared error） of the better than the traditional LS-SVM and more suitable for time series online prediction.     

Online LS-SVM for function estimation and classification

An online algorithm for training LS-SVM (Least Square Support Vector Machines) was proposed for the application of function estimation and classification. Online LS-SVM means that LS-SVM can be trained in an incremental way, and can be pruned to get sparse approximation in a decremental way. When a SV (Support Vector) is added or removed, the online algorithm avoids computing large-scale matrix inverse. Thus the computation cost is reduced. Online algorithm is especially useful to realistic function estimation problem such as system identification. The experiments with benchmark function estimation problem and classification problem show the validity of this online algorithm.