基于粒子群优化及高斯过程回归的铅酸电池荷电状态预测

为了提高铅酸电池荷电状态(SOC)的预测准确率,该文提出一种基于粒子群优化的高斯过程回归(PSO-GPR)算法。该算法的核心思想是通过粒子群优化(PSO)算法来解决高斯过程回归(GPR)模型中的超参数优化问题。PSO-GPR首先随机生成一个粒子群,群中的每个粒子包含对应的GPR超参数信息。随后执行如下迭代步骤:根据当前每个粒子的超参数信息训练对应的GPR模型并评估该模型的性能,结合适应度函数和每个模型的评估结果计算出每个粒子的适应度,并更新每个粒子中的超参数信息;经过多次迭代后,找到粒子群中适应度最小的粒子;最后从该粒子中提取相应的超参数信息,并训练最终的GPR预测模型。在铅酸电池数据集上的实验结果表明,所提方法优于对比模型。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

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.     

基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。     

基于遗传-支持向量机的分布式光纤监测矿压时序预测

为了有效的掌握岩层内部变形,准确预测开采过程中的矿压显现规律。采用分布式光纤监测覆岩内部变形并结合支持向量机计算方法,将光纤频移变化度作为主要特征参数,构建混沌矿压数据相空间,采用遗传算法（GA）对支持向量机回归（SVR）超参数寻优。开展相似材料模型试验,模拟工作面开采,并引入光纤频移变化度概念,建立GA-SVR时序预测模型。预测结果与传统回归模型（SVR）和BP神经网络模型（BPNN）进行比较。结果表明,BPNN容易发生过拟合,传统SVR模型依赖超参数选取,GA-SVR模型在超参数选取上更科学,不容易发生过拟合,预测精度高于上述两种算法,为矿压时序预测定量化提供科学依据。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

基于SVR-RFE的作战方案评估指标选择方法

针对作战方案评价指标权值确定过程存在不确定和主观性的问题,本文提出了基于支持向量回归机的线性和非线性递归特征消除法(SVR-RFE)。该方法利用权值向量和函数值作为SVR-RFE的特征选择标准,采用支持向量回归机(SVR)对特征选择前后的回归能力进行了分析比较。在某作战方案样本集上的仿真实验表明,线性和非线性SVR-RFE在作战方案数据集上的特征选择效果是一致的,在特征维度为50%左右时,SVR算法达到最优泛化性能。     

基于支持向量回归的定性-定量因子混合建模方法

在科学研究及工程实践中,输入参数经常同时包含定性因子与定量因子,为实现此类数据的有效建模,提出基于支持向量回归(SVR)的定性-定量因子建模方法,以用于工程实验及数值仿真的定性定量因子分析．引入超球面分解量化定性因子相关关系,构建了一种新型核函数描述定性因子与定量因子关联关系,提出了定性-定量因子支持向量回归算法实现定性定量数据的混合建模与预测．通过数值算例和经典工程算例,发现所提算法能提供相比于普通的支持向量回归算法及基于高斯过程回归的定性-定量因子算法更优的预测结果．以种植体骨应力分析为例,其中种植体材料类型为定性因子、结构参数为定量因子,实验结果表明所提算法能够显著提升骨应力预测精度,可为种植体的设计优化提供模型基础,揭示了所提算法的工程可用性．     

基于局部信息融合及支持向量回归集成的锂电池健康状态预测

为了提高锂电池健康状态(State of health,SOH)的预测准确率,该文将支持向量回归(Support vector regression,SVR)算法与集成学习理论相结合,提出一种基于局部信息融合的支持向量回归集成(Local information fusion with ensemble support vector regression,LIF-ESVR)算法。该算法的核心思想是利用数据的局部信息融合替代原有全局信息,并将信息层融合问题转化为决策层融合问题。首先将原始的训练集划分为若干个子训练集,每个子训练集都包含了原始训练集中的部分重要信息;然后,在每个子训练集上训练一个对应的SVR模型;最后,利用集成学习算法将已训练好的多个SVR模型进行融合。在美国国家航空航天局蓄电池数据上的实验结果表明,所提方法的性能优于现有的锂电池SOH预测方法,具有广泛的应用价值。     

一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.     

基于灰狼算法SVR的烧结矿FeO含量预测

烧结是高炉炼铁的重要环节之一,其中烧结矿FeO的含量对高炉的使用寿命,烧结的原料成本都有重要影响。为了提高烧结矿FeO预测的准确度,提出了一种基于灰狼算法支持向量机回归(GWO-SVR)的烧结矿FeO含量预测模型,利用原料使用数据对烧结矿中FeO含量进行预测,为烧结过程提供理论依据。将98个原料样本数据和烧结矿FeO含量数据进行预处理,选取79个样本作为训练集,19个样本作为测试集,分别建立烧结矿FeO支持向量回归模型(SVR),GA-SVR模型,PSO-SVR模型和GWO-SVR模型,采用决定系数(R2),均方误差(MSE)和绝对平均误差(MAPE)作为模型的对比标准。结果表明,GWO-SVR算法预测精度高、误差小,耗时较短,使用灰狼算法优化支持向量机回归对烧结矿FeO含量预测分析合理、高效。     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

一种SAR图像空间域自适应滤波算法

针对合成孔径雷达(SAR)图像相干斑噪声抑制问题,提出了一种基于支持向量回归(SVR)分析的空间域自适应滤波方法.将SAR图像看作连续二维函数,利用SVR方法对其进行逼近.基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法.为了保证精度,选择小波核函数构建支持向量回归机.实验结果表明该方法是有效的并对经典方法进行了改进.     

基于DeST仿真和GS-SVR算法对严寒气候区近零能耗公共建筑逐时负荷预测

目的 为使空调系统能够及时对近零能耗建筑室内负荷变化做出反应,提出基于DeST仿真与支持向量机回归算法(SVR)的预测方法.方法 以位于沈阳建筑大学校内的近零能耗示范建筑为例,通过DeST仿真得到模型需要的原始数据,利用网格搜索算法(GS)对支持向量机算法中的参数进行优化,采取优化后的支持向量机回归算法(GS-SVR)...     

基于多模型SVR的抗野值Kalman滤波器

为了抑制观测数据中野值对Kalman滤波的不利影响,本文首先基于支持向量机(SVM)和多模型理论,建立了Kalman滤波新息过程的多模型支持向量回归(SVR)预测模型,然后给出了结合该预测模型的Kalman滤波的修正算法。仿真结果表明,该Kalman滤波算法不仅有效地剔除了观测数据的野值,提高了滤波器的稳定性和精度,而且算法比较简单。     

基于人工蜂群优化支持向量机回归的隧道塌方风险预测

为预测隧道塌方风险等级,减少隧道塌方引起的灾害事故,建立基于人工蜂群(artificial bee colony, ABC)优化支持向量机回归(support vector machine regression, SVR)隧道塌方风险预测模型。首先,从工程地质、水文气象、设计因素、施工因素4个方面综合考虑,遴选13个主要影响因素,建立隧道塌方风险指标体系;其次,引入人工蜂群算法优化SVR的核参数C和惩罚参数g,解决传统SVR稳定性低的缺陷,提高模型的精确度,为验证模型性能采用相关系数(R²)、均方误差(mean squared error, MSE)、均方根误差(root mean squared error, RMSE)评价参数对比分析;最后,以新疆北部某供水工程为研究对象,对隧道塌方风险测试样本进行预测,分别将ABC-SVR、PSO-SVR、GA-SVR及SVR模型对比分析。研究结果表明：ABC-SVR预测结果为100%,PSO-SVR预测结果为83.3%,GA-SVR和SVR均为66.67%,ABC-SVR的预测结果与实际工程结果一致性更高,可为隧道塌方风险...     

一种基于PSO-SVR的软件可靠性评估方法

软件可靠性建模时,如果简单地利用支持向量回归机制建模,就有可能由于支持向量回归(SVR)自身参数选择难以及实验数据本身的不确定性,从而导致预测结果不理想、精度低等缺陷。因此,借鉴粒子群优化算法(PSO)多参数寻优的优势,将PSO与SVR优化算法相结合,利用分层聚类算法对初始实验数据进行归一化处理,剔除异常数据,构建基于PSO-SVR的软件可靠性评估方法,从而提高软件模型的预测精度。实验结果表明,基于PSO-SVR方法的预测模型其预测精度高,更适应实际软件应用环境。     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

PSO-SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机(SVR)的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数γ三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明:基于PSOSVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。