基于LS-SVM组合预测的地空导弹发射车液压系统油液污染度预测

为了提高组合预测精度,将最小二乘支持向量机(LS-SVM)用于确定组合预测的函数关系,提出了基于LS-SVM的非 线性组合预测方法;为了提高LS-SVM的学习性能和泛化能力,提出了利用粒子群优化算法(PSO)和K-重交叉验证(CV)相结合的参数寻优方法;最后利用提出的方法对某导弹发射车液压系统的液压油污染度进行了预测,...     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。     

基于ISOA的LS-SVM地铁站空调系统能耗预测模型

为提高地铁站空调系统能耗的预测精度,利用最小二乘支持向量机（Least Squares Support Vector Machines, LS-SVM）建立能耗预测模型是一种有效的方法。但是LS-SVM在处理大规模数据集的回归问题时难以确定最佳模型参数值,较大程度地影响了模型的拟合精度和泛化能力。为此,提出一种从算法搜索步长和搜索方向这2个方面进行改进的人群搜索算法（Improved Seeker Optimization Algorithm, ISOA）对LS-SVM建模过程中的模型参数进行优化选择。将所提出的基于ISOA-LS-SVM建立的能耗预测模型应用于北京某高校地铁实训平台。研究结果表明：该模型能够准确预测出系统能耗,相比于网格搜索法、粒子群算法以及传统的人群搜索算法,优化的LS-SVM在速度和精度上都有所提升。     

基于AP的LS-SVM多模型建模算法

针对多工况对象的单模型建模中存在的回归精度差和泛化能力弱的问题,提出基于仿射传播聚类的LS-SVM多模型建模方法。该方法用仿射传播聚类算法对样本进行聚类,采用LS-SVM的方法对子类样本分别建立模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。将该建模方法用在丙烯浓度的软测量建模实验中,结果表明该方法有较高的回归精度和较好的泛化能力。     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

计算机超频结果测量值的预测算法

针对计算机超频结果测量值的估计问题,提出一种优化的LS-SVM回归模型解决方案;首先对CPU和显示卡超频的参数设置及主要结果进行了分析,并探讨了常用预测算法的不足,据此选择LS-SVM回归模型进行超频结果测量值的预测;然后设计了一种LCQPSO算法寻找模型参数的最优值,使模型的预测精度和泛化能力得以提高;经采集AMD FX-8350CPU的50组超频样本验证,该算法的预测误差比RBF神经网络降低了80%,表明了该算法的有效性。     

基于多技术融合加权平滑的径向基函数神经网络熔融指数预报

针对在对聚丙烯熔融指数进行预测时优势数据和优势变量不突出影响预测精度、数据平滑度不够影响泛化性能的问题,提出了基于多技术融合加权平滑的径向基函数神经网络预报模型。综合运用了在时间尺度基于空间欧氏距离加权、在变量维度上基于灰色关联和线性回归误差加权两种数据加权方案,基于过程变量差分序列欧氏距离的平滑和局部线性平滑两种数据平滑方案,解决了模型精度和泛化性低的问题。为进一步改进模型性能,采用带误差补偿的非线性自回归滑动平均模型框架和径向基函数神经网络,利用自校正预测控制算法和分段线性变学习率算法,对模型进行优化。结合某厂真实数据对模型进行验证,预报结果在泛化集上为：平均相对误差( MRE )1.32%、均方根误差(RMSE)0.0459。与其他方法进行了详细的比较分析,结果表明该模型具有良好的预报精度和泛化性能,在大时滞工业过程领域具有一定的应用价值。     

最小二乘支持向量机与Kalman滤波耦合的瓦斯涌出量动态预测模型

针对瓦斯涌出量的多影响因素预测问题,提出一种最小二乘支持向量机(LS-SVM)回归算法与卡尔曼滤波耦合的动态预测方法.该方法依据预测残差方差比检验策略确定自适应的动态训练样本集以取代固定的训练样本集.LS-SVM辨识网络对瓦斯涌出量的相关因素进行非线性映射并提取出最佳维数的状态向量以建立基于卡尔曼滤波最优估计的瓦斯涌出量预测模型.利用矿井监测到的各项历史数据进行实验.结果表明,该模型的预测平均相对误差为2.17%,平均相对变动值ARV为0.008873,相比单一的神经网络或支持向量机预测模型,具有更高的预测精度与更强的泛化能力.     

基于AdaBoost算法的加权二乘向量回归机

针对二乘向量机(LS-SVM)对所有样本误差惩罚相同、预测精度不高的问题,提出了一种基于AdaBoost模型的二乘向量回归机。该算法使用多个二乘向量机按照某种学习规则协调各二乘向量机的输出,同时根据回归精度,建立各二乘向量机中每一个样本的误差惩罚权重,以突出样本的惩罚差异性,提高算法的泛化性能。实验结果表明,提出的算法提高了二乘向量回归机的预测精度,优化了学习机的性能。     

用多波长和LS-SVM补偿土壤温度的方法研究

针对近红外光谱易受样品温度的影响,采用多尺度小波变换对光谱数据进行消噪,运用最小二乘支持向量机(LS-SVM)在全谱范围内建立了近红外光谱预测模型,研究土壤温度对土壤含水率预测结果的影响,提出了应用多波长和LS-SVM回归法补偿土壤温度对土壤含水率预测精度的影响.试验结果表明,土壤温度影响近红外光谱预测土壤含水率,模型...     

基于改进LS-SVM的随钻测量数据传输误码率预测

针对泥浆连续波随钻测量数据传输误码率预测精度低、数据传输过程中易受干扰信号影响等缺点,提出利用改进的最小二乘向量积(LS-SVM)对连续波数据传输误码率建立预测模型,并引用遗传算法对参数寻优,在建立模型过程中利用狄克逊准则对数据进行筛选,从而提高误码率预测的精度.在小样本数据的情况下,采用Matlab建立基于改进的最小二乘支持向量机泥浆连续波数据传输模型.仿真结果表明该模型能够有效地避免陷入局部最优问题,具有较强的泛化能力和预测能力.通过与误差反传前馈(Back propagation,BP)和Elman神经网络预测模型对比可知,该模型预测精度更高,预测值更接近于实际值,可以用于泥浆连续波数据传输误码率预测.     

3种空隙率测量建模方法的比较研究

介绍了测量空隙率的电容层析成像（ECT）系统,分析了ECT测量空隙率的基本原理。简述了3种空隙率测量建模方法,即分别基于遗传算法-偏最小二乘（GA-PLS）算法、蚁群算法（ASA）和最小二乘支持向量机（LS—SVM）的建模方法。建模数据均来自Ecr传感器获取的电容值。在此基础上,提出了以ECT传感器为信息获得手段的空隙率测量建模的统一框架。通过实验数据对3种方法进行了评价,对它们从泛化误差、最大误差、平均误差和测量时间几个角度进行了比较。结果表明：璐-SVM方法的精度最高,泛化能力最强。     

基于改进支持向量机的快速稳健代理模型研究

最小二乘支持向量机代理模型具有较好的泛化能力和强大的非线性处理能力,但其对实际工程中不可避免的异常样本十分敏感,而传统的加权最小二乘支持向量机易产生过度拟合并且未考虑到回归误差分布特性,针对这一问题提出正态分布概率密度函数加权方法,并且采用回归误差的中值作为计算权值的衡量标准,增强了加权算法的稳健性;提出了迭代加权最小二乘支持向量机快速递推算法,利用矩阵关系进行迭代递推计算,减少了计算量,节约了建模时间。通过数值实例验证了该方法的可行性、有效性。     

基于支持向量机的软测量技术及其应用

支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。     

Prediction of flashover voltage of insulators using least squares support vector machines

The importance of the research on insulator pollution has been increased considerably with the rise of the voltage of transmission lines. In order to determine the flashover behavior of polluted high voltage insulators and to identify to physical mechanisms that govern this phenomenon, the researchers have been brought to establish a modeling. In this paper, a dynamic model of AC flashover voltages of the polluted insulators is constructed using the least square support vector machine (LS-SVM) regression method. For this purpose, a training set is generated by using a numerical method based on Finite Element Method (FEM) for several of common insulators with different geometries. To improve the resulting model’s generalization ability, an efficient optimization algorithm known as the grid search are adopted to tune parameters in LS-SVM design.In addition, two different testing set, which are not introduced to the LS-SVM during the training procedures, is used to evaluate the effectiveness and feasibility of the proposed method. Then, optimum LS-SVM model is firstly obtained and the performance of the proposed system with other intelligence method based on ANN is compared. It can be concluded that the performance of LS-SVM model outperforms those of ANN, for the data set available, which indicates that the LS-SVM model has better generalization ability.     

基于最小二乘支持向量机的航煤干点软测量应用研究

传统支持向量机是近几年发展起来的一种基于统计学习理论的学习机器,在非线性函数回归估计方面有许多应用。最小二乘支持向量机用等式约束代替传统支持向量机方法中的不等式约束,利用求解一组线性方程得出对象模型,避免了求解二次规划问题。本文采用最小二乘支持向量机解决了航空煤油干点的在线估计问题,结果表明,最小二乘支持向量机学习速度快、精度高,是一种软测量建模的有效方法。在相同样本条件下,比RBF网络具有较好的模型逼近性和泛化性能,比传统支持向量机可节省大量的计算时间。     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。