LS—SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G—P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象。使用LS—SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析。在预测精度上,LS—SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低。若想在干旱区半干旱区的降雨预测中应用,需要进一步研究。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。     

一种基于LS-SVM构造FLANN的热电偶非线性校正方法*

提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②整个训练过程中有且仅有一个全局极值点,确定了所构造FLANN补偿器的唯一性,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.     

LS-SVM在垃圾邮件过滤中的应用

基于统计学习理论的支持向量机(SVM)方法是现代智能技术的一个重要分支。SVM在保证分类精度的前提下,提高了分类器的泛化能力。着重讨论了最小二乘支持向量机(LS-SVM)算法原理,并在此基础之上,对算法在垃圾邮件过滤中的应用进行了探讨。     

最小二乘支持向量机及其在故障诊断中的应用

从支持向量机的有关理论出发,介绍了适用于LS-SVM的SMO算法,并用c#语言实现了基于SMO算法的故障诊断。     

Identification of the Hammerstein model of a PEMFC stack based on least squares support vector machines

This paper reports a Hammerstein modeling study of a proton exchange membrane fuel cell (PEMFC) stack using least squares support vector machines (LS-SVM). PEMFC is a complex nonlinear, multi-input and multi-output (MIMO) system that is hard to model by traditional methodologies. Due to the generalization performance of LS-SVM being independent of the dimensionality of the input data and the particularly simple structure of the Hammerstein model, a MIMO SVM-ARX (linear autoregression model with exogenous input) Hammerstein model is used to represent the PEMFC stack in this paper. The linear model parameters and the static nonlinearity can be obtained simultaneously by solving a set of linear equations followed by the singular value decomposition (SVD). The simulation tests demonstrate the obtained SVM-ARX Hammerstein model can efficiently approximate the dynamic behavior of a PEMFC stack. Furthermore, based on the proposed SVM-ARX Hammerstein model, valid control strategy studies such as predictive control, robust control can be developed.     

基于反演的LS-SVM及其在土石坝沉降中的应用

仿效BP神经网络在反演分析中的应用,利用神经网络模拟LS-SVM参数与计算结果间的关系,提出了反演参数的方法,并将其应用于陆浑水库沉降预测中.通过与神经网络的沉降预测值比较,表明该方法具有较好的可行性以及较高的预测精度,适合于解决土石坝沉降预测问题.     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。     

基于时间序列的WD LS SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。