船载气象监测预报系统研发课题2013年度科技报告

课题采用流场分析和统计学习的方法,建立基于神经网络系统辨识和支持向量机的风场反演校正模型,计算出未受干扰风场中的风速风向数据,减小干扰风场与未受干扰风场风速风向之间的偏差;利用径向基概率神经网络和支持向量机方法进行分析研究,借助机器学习方法得到气象要素数据奇异值剔除模型,从而提高监测数据的有效性;应用区域平滑滤波和阈值剔除技术,采用基于雷达反射率阈值的识别算法,实现雷暴等危险天气的识别;采用MCT耦合器技术及消息传递的并行计算方式,实现区域海气模式耦合;采用动力诊断、支持向量机、多指标叠套等预报方法,建立海上雷暴、云的船用预报模型。     

基于支持向量机的张掖市温度预报研究

基于21种常见的气象要素数据，利用支持向量机回归模型对张掖市的气温、最高气温、最低气温、24 h变温、露点温度和0 cm地温进行了预报。研究结果表明：支持向量机对张掖市温度有较强的预报能力，预报值与真实值十分接近，预报准确率都能达到90%以上；支持向量机对最低气温预报结果的平均绝对误差和均方根误差最小，为0.440℃和0.747℃，准确率达到了97.85%，对0 cm地温预报结果的平均绝对误差和均方根误差最大，为2.539℃和3.894℃，准确率为91.41%。     

考虑变形因子模式下基于正则化极限学习机的大坝变形预报方法

本文将结构风险最小化原则引入极限学习机模型,建立了在考虑变形因子模式下大坝变形预报的正则化极限学习机模型。该模型不仅计算速度较快,而且具有较强的泛化能力。通过对实际工程监测数据的详细分析,结果表明正则化极限学习机模型可以避免原极限学习机模型会导致过学习现象发生的可能,且其预报精度要优于原极限学习机模型、支持向量机模型与BP神经网络模型。显示了将其应用于大坝变形数据分析与预报领域是完全行之有效的。     

基于机器学习算法的樟子松立木材积预测

【目的】 通过非线性和多种机器学习算法构建并对比不同的立木材积模型,为樟子松(Pinus sylvestris var. mongolica)立木材积的精准预测提供理论依据。【方法】 以大兴安岭图强林业局184株樟子松伐倒木数据为基础,建立非线性二元材积模型(NLR),并通过十折交叉检验和袋外数据(OOB)误差检验的方法得到3种最优机器学习算法,包括:反向神经网络(BP)、ε-支持向量回归(ε-SVR)和随机森林(RF)。对比分析不同模型间的差异,得到最优立木材积模型。【结果】 机器学习算法在立木材积的拟合和预测中均优于传统二元材积模型,具体拟合结果排序为RF>BP>ε-SVR> NLR。其中RF的决定系数(R²)比传统模型的提高了2.00%,均方根误差(RMSE)、相对均方根误差(RMSE%)、平均绝对误差(MAE)分别降低了22.90%、22.93%、36.34%,且与真实值相比平均相对误差(MRB)的绝对值更低,证明了RF在立木材积预测中的优越性。【结论】 机器学习算法作为一种新兴的建模方法可以有效地提高立木材积的预测精度,为森林资源的精准调查和经营管理提供新的解决方案。     

3种机器学习方法对空气污染预报效果的对比

以中国西北5个省会城市为研究区域,利用2015年1月1日-2020年7月21日空气质量监测资料与气象数据构建基于多元逐步回归(MSR)、随机森林(RF)与支持向量机(SVM)的空气污染预报模型,以平均绝对误差、均方根误差及拟合度指数IA为评判指标,对模型的模拟精度进行对比分析.结果表明,针对5个城市构建空气污染预报模型时, RF重要性评估法比Spearman相关系数法更适用于筛选预报因子. MSR、 RF与SVM模型的预报性能由强至弱依次为MSR>RF>SVM. 3种模型预报结果均IA>0.8,预报值与实际观测值之间的相关程度较高.     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

一种基于分类问题的光滑极限学习机

极限学习机具有快速的学习速度和良好的泛化性能.光滑化是一种重要的处理非光滑问题的技术.将光滑化技术应用于极限学习机,提出了一种光滑化的极限学习机框架,并用Newton-Armijo算法来求解.该算法具有全局和二次收敛的性质.与已有的光滑支持向量机相比,该模型有更少的决策变量,并且能够更好地解决非线性问题.数值实验表明该算法的速度要比传统的极限学习算法更快.与支持向量机相比,提出的算法有更好的或者相似的泛化性能.     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

基于ELM的单相有源电力滤波器的内模控制

为了克服单相有源电力滤波器的非线性特性,在基于数据的基础上,由极限学习机建立有源滤波器非线性系统的内模和逆模,实现基于极限学习机的内模控制.根据内模控制系统稳态误差,评估内模控制系统的性能,并将极限学习机的内模控制系统与神经网络、核岭回归、支持向量机等方法进行比较分析.试验仿真表明,基于极限学习机的内模控制系统具有系统稳态误差小、鲁棒性强等特点.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于粒子群算法优化支持向量机的延河流域水沙模拟

对标准粒子群算法进行了简化,并基于简化的算法给出了混沌粒子群算法的优化支持向量机算法.基于延河流域甘谷驿水文站1954—1992年的实测年径流和输沙数据、1992—1995实测月径流和输沙数据,利用该算法和常用的几种粒子群支持向量机算法、误差后向传播神经网络算法预测了1993—1997年期间的年径流量和输沙量、1996年的月径流和输沙量.几种算法的预测结果和实测数据进行了比较,通过相对误差、平均相对误差、均方根误差、一致性指标和有效系数等参数,比较了不同算法的预测效果.结果表明,支持向量机算法模拟效果优于神经网络算法,本文提出的基于改进粒子群算法的支持向量机算法的预测效果更好,可用于流域的径流和输沙量的模拟和预报.     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于ICSO-SVM模型的物流吞吐量研究

研究融合支持向量机与改进的鸡群优化算法构建新的物流吞吐量预测模型,并对其进行验证。研究结果表明,模型中算法达到最佳平均适应度值0.0632仅需20次左右,训练拟合效果良好,最高可达100%。模型误差在对比算法与模型中最低,平均绝对误差为762.2,平均绝对百分比误差为1.05%,均方根误差为814.7。在对物流吞吐量的预测中,模型得出高速发展年均增长率为1.2%,基准发展年均增长率为0.8%,低速发展年均增长率为0.5%的结论。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。