基于最小二乘支持向量机的天然气负荷预测

对城市天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义．在国内,对于城市天然气负荷预测的研究才刚刚起步,目前还没有较系统的理论．同技术与理论较为成熟的电力负荷预测研究相比较,两者既有许多相同点,又有不同之处．相同之处在     

基于最小二乘支持向量机的非线性补偿器

针对工业过程中普遍存在的非线性被控对象,通过最小二乘支持向量机对系统的模型偏差建模,并在此基础上构造非线性补偿器.首先,采用具有RBF核函数的LS-SVM离线建立系统偏差模型,并在系统运行时不断对偏差模型进行在线修正;然后基于此模型在DMC预测控制的基础之上构建补偿器;最后成功应用于智能工厂实验室的多变量液位控制实验装置.     

最小二乘支持向量机在水平井产能预测中的应用

随着油气勘探开发技术的发展,水平井以其泄油面积大、油气流动阻力小的突出优点越来越受到人们的重视。通过对水平井的产能预测,可以预测该水平井的开发效益及经济回报,因此对水平井的产能研究变得尤为重要。鉴于水平井产能影响因素的复杂性,本文运用最小二乘支持向量机技术,对多因素非线性影响下的水平井产能进行预测,并通过实例说明该方法的实用性。     

支持向量机预测蜡沉积速率的模型研究

基于支持向量机的原理,考虑了7个影响蜡沉积速率的因素,在优化支持向量机参数的基础上,预测了蜡沉积速率。结果表明,对于训练样本和测试样本,该方法所得的相关系数分别为0. 990 7和0.982 3。说明该方法的预测精度高,可用于蜡沉积速率的预测;支持向量机与神经网络法相比,可得到模型的显示表达式;支持向量机中参数c、g的取值决定了预测效果的好坏,网格参数寻优法、粒子群参数寻优法、遗传算法寻优法三种方法都可用于寻找最优的c、g组合。三种方法寻优后所得的预测结果差值较小,均能满足其预测精度。     

粒子群优化最小二乘支持向量机的短期负荷预测研究

短期负荷预测是电力系统规划和调度前提.电力负荷预测环境复杂多变,为了尽可能提高短期电力负荷预测的精度.本文针对当今人工短期负荷预测方法存在的缺陷,提出了基于粒子群优化算法最小二乘支持向量机(PSO-LSSVM)的短期负荷智能预测方法,该方法采用粒子群(PSO)算法对最小二乘支持向量机(LSSVM)的惩罚系数与核函数进行...     

基于偏最小二乘支持向量机的燃煤电站锅炉效率模型

针对电站锅炉燃烧系统非线性强、变量间强耦舍及信号噪声大等特点,提出了基于电站历史运行数据的锅炉效率建模方法。根据锅炉燃烧的机理选取关键输入变量,利用偏最小二乘原理(PLS)对其进行特征提取,建立锅炉效率与所提取特征之间的最小二乘支持向量机(LSSVM)关系模型,组成一个PLS-LSSVM混合模型,并利用电站实际数据对模型的准确性进行验证。结果表明:PLS-LSSVM模型相比于PLS模型具有更强的泛化能力,相比于LSSVM模型有更好的运行效率。     

基于最小二乘支持向量机的复合肥装置养分含量的软测量建模

针对复合肥装置养分含量无法用常规的传感器在线测量的问题,提出了基于最小二乘支持向量机(LS-SVM)的软测量方法来在线估计养分含量.LS-SVM用等式约束代替传统的标准支持向量机中的不等式约束,求解过程从解二次规划问题变成解线性方程组,求解速度相对加快.工业实例表明LS-SVM所建模型的预测精度较高,能满足实际工业应用的需求.     

基于最小二乘支持向量机回归的单桩竖向极限承载力预测

基于单桩载荷试验数据,采用最小二乘支持向量机(LSSVM)回归的方法,建立了单桩竖向极限承载力的预测模型.利用文献中桩的载荷试验数据来训练LSSVM模型,并确定了模型参数.研究结果表明,同常用的BP网络相比,LSSVM预测模型具有学习速度快、预测性能较好、选择参数少等优点,是一种有效的预测单桩极限承载力的方法.     

最小二乘支持向量机在汽油调合建模中的应用研究

最小二乘支持向量机作为数据挖掘新方法,对学习样本质量和数量要求低,学习的泛化性更好.采用最小二乘支持向量机对小样本数据LS-SVMs建立油品调合数学模型,对模型进行仿真试验,结果表明采用LS-SVMs建立的模型精确,并具有良好的泛化性能.     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

基于PLS-LSSVM的谷氨酸发酵产物浓度预测建模

针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘（PLS）和最小二乘向量机（LSSVM）相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火（coupled simulated annealing,CSA）对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

基于M估计器的支持向量机算法及其应用

训练样本的准确性对回归分析模型有很大的影响,然而训练样本中难免会出现一些造成分析模型失效的奇异点。 为克服奇异点对回归模型的影响,本文提出了一种基于M估计器的支持向量机（M-SVM）。它采用M估计器的目标函数代替最小二乘支持向量机（LS-SVM）目标函数中的残差平方和,同时提出了M-SVM的迭代求解算法,并将该算法应用于含有奇异点的低维仿真数据回归和汽油近红外光谱定量分析中。实验结果证明,相比于其他的支持向量机,M-SVM具有更好的稳健性和分析精度。     

Melt index prediction by weighted least squares support vector machines

Melt index is considered an important quality variable determining product specifications. Reliable prediction of melt index (MI) is crucial in quality control of practical propylene polymerization processes. In this paper a least squares support vector machines (LS‐SVM) soft‐sensor model of propylene polymerization process is developed to infer the MI of polypropylene from other process variables. Considering the use of a SSE cost function without regularization might lead to less robust estimates; the weighted least squares support vector machines (weighted LS‐SVM) approach of propylene polymerization process is further proposed to obtain a robust estimation of melt index. The performance of standard SVM model is taken as a basis of comparison. A detailed comparison research among the standard SVM, LS‐SVM, and weighted LS‐SVM models is carried out. The research results confirm the effectiveness of the presented methods. © 2006 Wiley Periodicals, Inc. J Appl Polym Sci 101: 285–289, 2006     

基于最小二乘支持向量回归机的光管污垢特性预测

搭建了污垢实验系统以测得管壁温度和出、入口温度等参数,并将这些参数作为模型的输入变量,以污垢热阻值作为模型的输出变量,利用最小二乘支持向量回归机搭建了污垢预测模型,对光管的污垢特性进行了预测。一方面,通过与测量结果相比较,验证所搭建的模型是合理可行的;另一方面,通过对多次预测结果分析比较得出,该模型不但适用于流速、水浴温度、材质等参数为定值的情况,而且当这些参数发生改变时,该模型也是适用的。     

Prediction of jet penetration depth based on least square support vector machine

Experiments to investigate the jet penetration depth were carried out. The jet penetration depth increases with the increase of spouting gas velocity, spouting nozzle diameter and carrier gas density, but decreases with the rise of the static bed height, particle density, particle diameter and fluidized gas rate. The intelligent model to predict the jet penetration depth has been established based on least square support vector machine and adaptive mutative scale chaos optimization algorithm. The prediction performance of the intelligent model is better than empirical correlations and neural network.     

Hybrid modeling of penicillin fermentation process based on least square support vector machine

According to the problem of the pre-estimation with least square support vector machine (LSSVM) modeling is not ideal in the initial stages of penicillin fermentation process, two hybrid models are designed by utilizing the advantage of LSSVM and kinetics model. Through selecting the appropriate state variables and adopting these methods for penicillin fermentation, the mycelial concentration can be pre-estimated. Experiment results show that these hybrid modeling methods not only improve the above problem, but also have higher predicting accuracy and more powerful generalization ability than the single LSSVM method.     

基于稀疏最小二乘支持向量机的软测量建模

针对传统最小二乘支持向量机非稀疏化解问题,提出了基于遗传算法的最小二乘支持向量机稀疏化及参数优化方法,稀疏化的基本思想是给训练样本赋予一个概率值,将概率值小于0.5的样本作为测试样本,从而将总的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。种群个体的前N维表示每个样本对应的概率,后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数进行整体优化,取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方法用于PX氧化过程4-CBA含量的软测量中,工业数据仿真结果表明,用本文提出的方法稀疏化率达到87%,核参数选取自动完成,与稀疏前建立的模型相比推广能力更高。     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性（由于原材料波动或过程动态特性波动等）,基于全局学习的建模方法（如最小二乘支持向量机回归,LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。