Application of a supervised learning machine for accurate prognostication of higher heating values of solid wastes

One of the efficient and reasonable choices for solid waste disposal is waste combustion leading to the generation of a renewable source of energy. In present work, a statistical machine learning technique, namely, least-square support vector machine was created to compute the higher heating value in relation to elemental compositions. The used data sets which include 100 data points, was divided into the two parts of training and testing, respectively, for creating a model and examining the model reliability. In conclusion, it is perceived that the proposed approach is the most accurate numerical scheme as compared with commonly used literature correlations.     

基于最小二乘支持向量机和人工鱼群算法的GPS高程异常拟合技术

为了有效地解决最小二乘支持向量机(LSSVM)进行高程异常拟合时,人工选择参数造成拟合精度损失的问题.该文采用人工鱼群算法(AFSA)对参数进行优化选择,提高了最小二乘支持向量机拟合精度.通过分析,AFSA-LSSVM模型在样本点较少时拟合残差均小于5mm,差值标准差为2.6mm,表明该算法优于传统的拟合方法.     

基于改进的PSO与LSSVM的瓦斯涌出量预测

 瓦斯涌出是威胁煤矿安全生产最严重的灾害之一,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,该模型可有效避免神经网络收敛速度慢,SVM中PSO选择参数早熟或停滞等缺点,预测精度更高,泛化能力更强。     

GA-LSSVM在GPS高程异常反演中的应用

针对传统GPS高程异常反演方法中存在的不足,首先采用遗传算法优化最小二乘支持向量机的参数,然后用于反演GPS高程异常。实验表明,在有限样本情况下,GA-LSSVM模型不仅发挥了LSSVM处理小样本数据的能力,而且通过GA优化后的LSSVM能够选择出合适的参数,反演得到高精度的GPS高程异常。通过对测试样本的反演精度进行评定,得到的GA-LSSVM反演GPS高程异常可以推广到实际应用中。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

利用 GWO-LSSVM 算法对光纤压力传感器进行温度补偿

光纤压力传感器工作性能受温度影响较大,需进行温度补偿。针对这一问题,提出了灰狼算法与最小二乘支持向量机(GWO-LSSVM)算法相结合的软件补偿方案,利用灰狼算法在指定范围内迭代优化最小二乘支持向量机的惩罚因子ζ和核参数σ以求构建补偿算法模型。在不同温度环境下,对传感器进行标定试验测得传感器的输入输出数据,分成测试集和训练集。以测试集的预测值计算的均方根误差为适应度函数,将温度补偿问题转化为带约束的凸二次优化问题。结果表明,相较于补偿前,温度补偿后的光纤压力传感器的灵敏度温度系数由9.405×10^-3/℃提升到1.201 6×10^-4/℃,温度附加误差相对值由28.215%提升到0.481%,传感器的温度稳定性得到了很大程度的改善。     

基于PSO-LSSVM的高压电力电缆接头温度预测

高压电力电缆接头温度是反映电缆运行状况的重要指标,对接头温度进行精确预测可提高电缆安全运行水平。采用最小二乘支持向量机建立适用于电缆接头的温度预测模型,并给出了预测方法的具体步骤。模型以电缆接头的历史温度、环境温度、湿度和线芯/护层电流比为输入样本,电缆接头的表面温度为输出。为了提高预测精度,采用粒子群优化算法对模型的标准化参数和正则化参数进行动态寻优。以上海某110 k V电缆接头为例进行预测,结果表明,提出的方法能较好地预测电缆接头温度,预测精度高,为电缆温度监测和预警系统提供可靠的判断依据。