基于最小二乘支持向量机的水冷壁温度软监测建模

叙述了利用最小二乘支持向量机（LSSVM）对超临界锅炉膜式水冷壁向火侧两个危险点温度进行多目标软建模。指出,该模型可用于向火侧壁温的在线监测,该方法学习速度快、泛化能力强,比GA-BP的软测量建模具有更好的推广能力。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于LS-SVM的传感器智能校正及温度补偿

提出一种基于最小二乘支持向量机(LS-SVM)的传感器非线性校正及温度补偿的新方法,并给出了相应的过程和算法。在该方法中,LS-SVM被用作构建逆模型,并通过该模型映射传感器非线性特性,同时实现了传感器的温度补偿和非线性校正。通过实际电容式压力传感器校正的实验结果表明:所提模型建模速度比SVM模型高1~2个数量级,补偿误差仅为SVM模型的20%左右。因此,该学习速度快、补偿精度高、抗噪声干扰能力强,适合传感器温度补偿及校正。     

最小二乘支持向量机在瞬变热环境实验研究中的应用

瞬变热环境下,热反应与环境参数是紧密联系的。本文基于最小二乘支持向量机LS-SVM(LeastSquares Support Vector Machine)理论,结合瞬变热环境下受试者的投票实验数据,试图将这种关系量化,以达到对瞬变热环境下整体热感觉预测的目的。通过样本测试对预测模型的验证结果表明,向冷环境过渡和向热环境过渡中误差﹤0.3的样本比例都达到了90%以上,预测结果较理想,并且预测精度优于BP神经网络所建立的模型。另外,考虑到热感觉的模糊性以及个体化差异造成的影响,还给出了测试样本集在置信水平为95%时的置信区间,能对测试样本的变化区间作出较为准确的判断。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

基于LS-SVM的电力电子电路故障预测方法

针对现有电力电子电路故障预测技术的不足,提出将电路特征性能参数和最小二乘支持向量机(least squares support vector machine,LS-SVM)预测算法结合,对电力电子电路进行故障预测.以Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用L...     

基于最小二乘支持向量机的测灰仪输出校正研究

提出了基于最小二乘支持向量机的校正模型对测灰仪的输出进行误差校正。在分析误差产生的基础上,实现误差校正。试验表明:该方法有效地降低了测灰仪的输出误差。     

基于ERT和WLS-SVM的气液两相流空隙率测量

利用ERT传感器提供的电阻测量信息,基于加权最小二乘支持向量机(WLS-SVM),提出了一种气液两相流空隙率测量的新方法.该方法首先由ERT电阻传感器阵列获取电阻测量值,接着提取测量值的主成分,将主成分作为已经建立的WLS-SVM空隙率模型的输入,计算得到空隙率值.测量结果表明,提出方法的空隙率测量误差小于8%,实时性可以满足现场要求.     

LS-SVM在提高气压测高系统精度中的应用研究

在利用计算机软件补偿飞机测高系统误差方法中,传统的采用分段拟合方法精度不高,非线性误差大;神经网络存在过学习、网络拓扑结构不易确定以及泛化能力差等缺点。提出利用最小二乘支持向量机(LS-SVM)对某型飞机测高系统误差进行预测、补偿,提高其测高精度。在分析LS-SVM回归算法的基础上,利用LS-SVMlab1.5对某型飞机测高系统误差样本数据进行了仿真。结果表明,LS-SVM在数据回归预测方面精度高、泛化能力强、稳定性好,可以有效提高飞机气压测高系统精度,具有应用推广价值。     

基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。