小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统，结合小波分析和支持向量回归（SVR）及时准确预测热负荷，使供热控制跟踪热量的变化,利用偏相关分析来选择模型输入参数，将小波分析应用于数据消噪处理，建立支持向量回归负荷预测模型。研究结果表明，该方法提高了运算效率和预测精度。     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统,结合小波分析和支持向量回归(SVR)及时准确预测热负荷,使供热控制跟踪热量的变化.利用偏相关分析来选择模型输入参数,将小波分析应用于数据消噪处理,建立支持向量回归负荷预测模型。研究结果表明,该方法提高了运算效率和预测精度。     

基于LS-SVM的变采样周期系统控制

针对变采样周期系统的控制,提出基于在线最小二乘支持向量机(LS-SVM)的预测控制方法.在LS-SVM的基础上,利用训练数据窗及训练数据阈值,推导出适合控制系统的在线训练方法.当在线LS-SVM的核函数取线性函数时,结合预测控制方法得到在线LS-SVM预测控制量的方程解,并将其应用于变采样周期系统.仿真显示了该方法的可行性、鲁棒性.     

一种新的过程神经网络训练算法及其应用

着重研究了基于离散数据的过程神经网络建模问题。考虑到来自现场的过程变量数据基本都是离散的采样数据,故先对离散采样数据进行预处理,然后采用离散Walsh变换法对数据进行转换,即将网络输入函数和权函数在Walsh基下映射为一组新的时变向量,将积分聚合运算简化为向量内积运算,实现离散采样数据对连续网络的直接输入。应用所建立的过程神经网络模型对发酵过程菌体浓度进行了预测,取得了较好的效果。     

基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

高炉铁水含硅量的模糊预测函数控制

在高炉炼铁过程中,铁水含硅量既是衡量铁水质量的重要指标,也是表征高炉热状态的关键参数.设计了一种比较新颖的预测函数控制模型,计算了影响铁水含硅量变动的几个关键参数的时滞.通过所设计的预测函数控制模型确定了铁水含硅量与这些参数之间的近似函数关系,应用该函数就莱钢1号高炉所采集的数据对铁水含硅量进行了局部的预测控制,效果很好.     

一种近似于支持向量机的分类模型

针对线性可分与非线性可分问题,讨论了支持向量机分类模型及核函数的选择.为避免支持向量机的核函数及参数选择的不确定性,提出一种近似于支持向量机的分类模型,并通过心脏病预测实例对两种模型进行了比较.     

基于相关向量机的电力负荷中期预测

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了一种基于相关向量机的中期预测方法.结合EUNITE网络提供的实际数据,研究了日最大负荷前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,并建立了相应的电力负荷中期预测模型.该模型是将与某天相关的n个前期信息作为该天的日最大负荷的输入量,而日最大负荷与节假日、当日(星期数)的关系信息用两个二元值表示.在模型训练前,将输入量的前7个属性值和预测目标值进行归一化处理 采用不同训练样本集的仿真实验结果表明,相关向量机方法比支持向量机方法具有更多的优点,当高斯核函数的宽度值取为2 0时,相关向量机方法具有较为理想的预测效果.     

采用最小二乘支持向量机的部分相依函数型线性模型估计与应用

提出一种基于无截断Bartlett核函数的重构方法,有效避免长期方差函数估计方法面临的核函数与窗宽选择问题,并将其应用到部分相依函数型线性模型中.利用考虑函数型数据相依性的最小二乘支持向量机对模型进行参数估计,数值模拟结果表明:与未考虑函数型数据相依特征的最小二乘估计方法相比,提出的考虑函数型数据相依性的最小二乘支持向量机估计方法能更稳健地估计向量系数,有效提高样本外的预测精度;将部分相依函数型线性模型应用到上证指数开盘价的预测中,得到较好的预测效果.     

基于GA-SVM算法永磁同步直线电机变载荷进给位置误差预测

针对永磁同步直线电机精密进给过程中,受到齿槽效应、端部效应及摩擦力扰动等非线性因素的影响,位置误差难以预测问题,提出了一种基于遗传算法(GA)优化支持向量机(SVM)算法永磁直线电机变载荷位置误差预测模型的方法。通过测量各种情况下永磁直线电机在运动过程中的位置变化情况,利用遗传算法优化支持向量机算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,经过遗传算法优化支持向量机建立的位置误差预测模型,在拟合和预测精度上要优于未经过算法优化的位置误差预测模型。     

近红外光谱分析技术在监测L-异亮氨酸发酵过程中的应用

以L-异亮氨酸发酵过程的发酵液为样品, 用偏最小二乘法考察2种光谱采集方式、 7种光谱预处理方法及不同光谱波段选择对建立5种氨基酸光谱预测模型精度的影响. 通过建立L-异亮氨酸发酵过程中主副产物最佳光谱预测模型, 确定最佳光谱信息采集方式、 光谱预处理方法、 光谱波长范围及模型因子数. 结果表明: 反射扫描优于透射扫描获取光谱所建最佳预测模型; 反射光谱采集L- 异亮氨酸、 L-丙氨酸、 L-谷氨酸、 L-亮氨酸和L-苏氨酸5种氨基酸最佳校正模型相关系数均大于0.96, 其交互验证均方差分别为1.760,0.462,0.430,0.259,0.199, 相对分析误差分别为7.8,6.8,6.3,5.0,6.4, 表明所提出的近红外光谱分析法快速检测氨基酸发酵液中各成分稳定可行.     

近红外光谱分析技术在监测L-异亮氨酸发酵过程中的应用

以L-异亮氨酸发酵过程的发酵液为样品, 用偏最小二乘法考察2种光谱采集方式、 7种光谱预处理方法及不同光谱波段选择对建立5种氨基酸光谱预测模型精度的影响. 通过建立L-异亮氨酸发酵过程中主副产物最佳光谱预测模型, 确定最佳光谱信息采集方式、 光谱预处理方法、 光谱波长范围及模型因子数. 结果表明: 反射扫描优于透射扫描获取光谱所建最佳预测模型; 反射光谱采集L- 异亮氨酸、 L-丙氨酸、 L-谷氨酸、 L-亮氨酸和L-苏氨酸5种氨基酸最佳校正模型相关系数均大于0.96, 其交互验证均方差分别为1.760,0.462,0.430,0.259,0.199, 相对分析误差分别为7.8,6.8,6.3,5.0,6.4， 表明所提出的近红外光谱分析法快速检测氨基酸发酵液中各成分稳定可行.     

BP神经网络辅助的GNSS反射信号NDVI反演

归一化植被指数(normalized difference vegetation index,NDVI)是一种能反映地表植被生长情况和覆盖度的重要指标,针对如何确定研究区域归一化植被指数变化趋势的问题,提出一种BP神经网络辅助的GNSS卫星反射信号NDVI反演方法。从PBO观测网P037和P39站点信噪比观测数据提取的振幅参数作为输入值,归一化植被指数作为输出值,构建BP神经网络辅助的GNSS卫星反射信号植被指数反演模型,并与线性回归模型进行对比,实验结果显示:P037和P039站点振幅线性回归的相关系数为0. 700 3和0. 775 6,均方根误差为0. 062 2和0. 076 0,BP模型的相关系数为0. 802 3和0. 839 4,均方根误差为0. 033 6和0. 045 9,表明BP神经网络辅助的GNSS卫星反射信号反演模型获取的归一化植被指数优于线性回归模型,为获取准实时、低成本和高时间分辨率的NDVI提供了新的思路,证明了该方法的可行性。     

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.     

基于电弧声信号的CO2焊接状态模式识别

CO2气体保护焊接电弧声信号与焊接参数和电弧状态密切相关,但由于存在高度的复杂性和非线性性,难以直接用于焊接过程监控.在对不同保护气流量和焊炬高度下电弧声信号频谱分析的基础上,采用线性预测编码(LPC)方法建立其参数化模型,利用LPC预测系数和反射系数构造特征向量,通过样本训练分别建立了RBF神经网络和支持向量机(SVM)模型,进行CO2气体保护焊接下气流量和焊炬高度识别和分类.测试结果表明,电弧声LPC预测系数和反射系数作为输入向量训练的RBF网络或SVM模型均能一定程度上实现保护气流量和焊炬高度的正确识别。其中采用LPC反射系数时结果优于预测系数;SVM模型的分类能力明显优于RBF网络,且不随训练样本的减少急剧下降.     

支持张量机在柴油机故障预测中的应用研究

为了解决柴油机故障预测中大样本、非线性以及高维数据的数据预测问题,避免以向量输入带来的结构信息丢失和数据相关性被破坏等现象,结合支持向量机(SVM)的学习框架和交替投影的思想,研究基于在线支持张量机(OSTM)的柴油机故障预测算法和流程,并以测试精度、学习时间和均方根误差作为评价指标,利用远程监测系统采集的数据,分别应用在线支持向量机(OSVM)和OSTM进行故障预测和分析。结果表明,与OSVM方法相比,OSTM方法测试精度较高,学习时间大幅缩短,预测模型的收敛速度较快,能有效在线预测柴油机故障。     

采用近红外漫反射光谱法分析牛奶成分

为提高牛奶成分化学分析的效率，研究了近红外漫反射光谱在牛奶主要成分分析中的应用；讨论了光在牛奶中的传播方式和相关测量方法的选择；采用偏最小二乘(PLS)建立校正模型，比较了各种预处理方法和不同谱区的建模效果，其中脂肪的相关系数为0．99，标准偏差为0．048 g/dL，蛋白质的相关系数为0．92，标准偏差为0．102g/dL结果表明，近红外漫反射光谱测量可以满足牛奶主要成分的测量要求。