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。     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

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。     

基于PSO的最小二乘支持向量机稀疏化算法

针对最小二乘支持向量机(LSSVM)失去稀疏特性及经典迭代剪切稀疏化算法容易陷入性能指标函数局部收敛的问题,提出一种基于粒子群优化(PSO)的LSSVM稀疏化算法.将LSSVM稀疏化过程描述为一个最优化问题,以校验样本和预测输出之间的均方根误差RMSE为优化目标,以模型训练样本剪切率ε(%)为优化变量.并针对此非线性优化问题提出基于PSO的求解方法.以大型电厂飞灰含碳量LSSVM模型为例,对此算法进行了实例研究.结果表明,该方法能有效解决经典算法的局部收敛问题获得最优剪切率,具有更好的预测和泛化能力.     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

一种基于QPSO和WLS-SVM的智能方法

提出一种基于量子粒子群优化算法(QPSO)和加权最小二乘支持向量机(WLS-SVM)的智能方法,以克服常用方法存在需要较大样本数据量、建模速度较慢差等缺点.方法的具体改进是,将SVM中单一核函数构造成混合核函数,增加自适应权重,采用QPSO算法求解WLS-SVM训练模型中的线性方程组,这样能提高模型的性能.经过典型的二型糖尿病诊断实验,结果表明其建模速度快、诊断准确率高,其效果优于改进BP算法神经网络、LM算法神经网络和单核函数的SVM等方法.     

基于PSO-LSSVM的砂层可注性预测模型及其敏感性分析

现有砂层可注性评价方法多为分类评价,且分类标准不一,不利于实际工程应用.为此,采用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)进行优化,提出可注性量化预测模型.选取水泥浆液水灰比R_WC、相对密实度D_r、细颗粒（直径＜0.075 mm）含量θ、砂层特征粒径D₁₀和D₁₅为控制变量,开展129组可注性室内试验,以每组试验浆液扩散距离作为可注性量化评价指标.基于PSO-LSSVM方法建立砂层可注性与各控制变量间的关系模型,采用傅里叶幅度敏感性测试法（FAST）对可注性影响因素进行全局敏感性分析.结果表明:PSO-LSSVM模型具有较高的预测精度,砂层可注性模型预测值与试验值基本一致,拟合优度R²为0.982;各影响因素对可注性的敏感性排序为:D₁₀＞D₁₅＞D_r＞θ＞R_WC,其中D₁₀和D₁₅敏感性显著高于D_r、θ和R_WC.     

基于CPSO-LSSVM的陀螺仪故障趋势预测

为了提高最小二乘支持向量机(LSSVM)的学习性能和泛化能力,提出了混沌粒子群优化(CPSO)算法和交叉验证(CV)算法相结合的LSSVM参数寻优方法.CPSO算法将混沌搜索引入到粒子群算法中产生初始混沌粒子,并在粒子运动中不断加入混沌扰动,实现LSSVM参数的自动选取.利用交叉验证误差构造粒子的适应度函数,为参数选择提供评价标准.陀螺仪随机漂移是影响陀螺仪性能可靠性的主要因素,将经过参数寻优的LSSVM用于建立陀螺仪随机漂移的时间序列预测模型,预测值与实际值相差较小,可为陀螺仪的故障趋势预测提供依据.实验结果表明CPSO算法是选取LSSVM参数的有效方法,所建的回归模型具有较高的预测精度.     

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。     

基于QPSO参数优化的LS-SVM智能标定

研究粒子群算法（PSO）优化最小二乘支持向量机（LS-SVM）的参数时,受到搜索空间有限的限制,容易陷入局部极值,直接影响罐容表的标定精确度的问题。针对该问题,作者采用量子粒子群算法（QPSO）选取LS-SVM的径向基核参数进行优化,建立了基于QPSO-LS-SVM的罐容表标定的软测量模型。仿真实验结果表明：该方法不用...     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

基于GA-LSSVR算法的回采工作面瓦斯涌出量预测

针对回采工作面瓦斯涌出量问题的小样本、非线性、影响因素关系复杂等特点,采用遗传-最小二乘支持向量回归算法对瓦斯涌出量进行预测,利用定量方法进行分析,避免了定性分析的局限性,有效提高了预测的精度。该模型首先利用遗传算法对最小二乘支持向量回归机中的参数进行训练和优化,然后运用遗传-最小二乘支持向量回归模型对测试样本进行了回采工作面瓦斯涌出量测试。测试结果表明:与支持向量回归机以及最小二乘支持向量回归机的预测值相比,遗传-最小二乘支持向量回归的回采工作面瓦斯涌出量预测可靠性和精确性更高。     

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。     

基于改进粒子群优化LS-SVM的变压器故障气体预测

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择.提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测.改进粒子群算法在每次迭代中,将粒子群进行分类,不同类...     

基于PSO-LSSVM的建筑周围气象参数超短期预测

建筑周围气象参数的不确定性和持续波动性,为建筑系统动态负荷预测及实时优化控制带来困难。文章以最小二乘支持向量机(LSSVM)作为预测算法,运用粒子群优化算法(PSO)优化LSSVM模型参数,建立基于历史信息的多输入多输出(MIMO)建筑周围气象参数预测模型,对影响建筑负荷的室外温度、湿度及风速进行超短期预测。结果表明:PSO算法可对模型参数进行优化,基于PSO-LSSVM算法构建的建筑周围气象参数超短期预测模型能够实现未来140 min气象参数的预测,为建筑供能和用能系统动态优化运行提供数据。