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.     

爆破振动对矿山边坡稳定性影响的预测

针对矿山爆破过程中爆破点附近的边坡稳定性问题,应用因子分析和免疫最小二乘支持向量机方法,选取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等为影响因素.对相关性较高的因素进行因子分析,提取公共因子,建立爆破振动对矿山边坡稳定性影响的免疫最小二乘支持向量机预测模型.利用24组爆破数据作为学习样本进行训练,并采用回代估计法进行检验,误判率为1/12.用另外10组数据作为测试样本进行预测,同时通过与其他预测模型预测结果进行对比,验证本文所得模型在边坡稳定性预测中具有更高的准确度.研究结果表明:所得预测模型泛化误差满足精度要求,预测结果的误判率仅为1/10,优于其他预测模型.     

最小二乘支持向量机在深基坑变形预测中的应用

为分析深基坑在开挖过程中的变形规律,为安全生产提供有效信息,采用最小二乘支持向量机理论,利用粒子群算法对支持向量机的核参数进行优化,建立深基坑水平位移预测模型,并将预测结果与实际监测结果进行对比.研究结果表明:优化后的最小二乘支持向量机模型收敛速度快,泛化能力强,预测结果与实际监测数据有很好的一致性,精度高于传统的预测模型,对深基坑安全监控有一定的实用价值.     

煤与瓦斯突出强度的IGA-LSSVM预测模型

针对煤矿开采中煤与瓦斯突出强度的预测问题,利用免疫遗传算法和最小二乘支持向量机相结合的方法,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂直深度、绝对瓦斯涌出量、相对瓦斯涌出量等9个主要影响因素.对相关程度较高的因素进行因子分析,提取公共因子作为IGA-LSSVM模型的输入,建立基于因子分析和IGA-LSSVM的煤与瓦斯突出强度的预测模型.利用实测的14组数据作为学习样本,训练预测模型.另外5组数据作为测试样本,使用所得模型进行预测.研究结果表明:经过免疫遗传算法优化最小二乘支持向量机的参数后,所得模型可有效预测煤与瓦斯突出的强度,检验结果的误判率为0.     

GM-LSSVM模型在建筑能耗预测中的应用

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(GM-LSSVM)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.     

基于最小二乘支持向量机的福建省GDP预测研究

提出一种基于最小二乘支持向量机的福建省GDP预测方法.采用径向基核函数进行仿真模拟,经过参数选优建立了精度较高的预测模型.预测结果表明,利用最小二乘支持向量机进行预测具有误差小、拟合程度高等优点,可适用于GDP的预测.     

爆破振动对边坡稳定性影响的FA-IGA-LSSVM模型

为对矿山开采爆破过程中边坡的稳定性进行预测,将因子分析、免疫算法及最小二乘支持向量机相结合,共提取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、边坡角、边坡高度7个影响指标.通过因子分析对样本数据进行降维,提取出一个公共因子.利用实际测量的29组样本数据对模型进行训练,构建基于因子分析和IGA-LSSVM的边坡稳定性预测模型;采用回代估计法对模型进行检验,误判率为3/29.使用其他5组样本检验模型的泛化能力,同时与基本最小二乘支持向量机进行对比,结果表明:所得模型的预测精度高于基本最小二乘支持向量机,预测结果的误判率为0.     

基于贝叶斯最小二乘支持向量机的时用水量预测模型

为解决传统最小二乘支持向量机采用交叉验证确定模型参数耗时长的问题，提出利用贝叶斯置信框架推断最小二乘支持向量机的模型参数．通过第1级推断确定最小二乘支持向量机的权矢量w和偏置项b，通过第2级推断确定模型的超参数μ和ξ，通过第3级推断的模型对比自动选择核函数的系数．根据时用水序列具有周期性和趋势性的特点，建立了基于贝叶斯推断最小二乘支持向量机的时用水量模型．实例分析结果表明，与基于传统最小二乘支持向量机和基于BP网络的预测模型相比，基于贝叶斯最小二乘支持向量机的时用水量预测模型的建模速度更快，预测精度更高．     

最小二乘支持向量机的扩展及其在时间序列预测中的应用

根据时间序列近期数据较远期数据包含有更多未来信息的思想,对最小二乘支持向量机预测方法进行了扩展,得到了更具一般性的最小二乘支持向量机预测模型,给出了扩展后的预测模型具体算法。两个时间序列的预测实例表明,扩展后的预测方法获得了更好的预测效果,提升了最小二乘支持向量机预测方法的价值。     

小样本贫信息条件下高炉冶炼烧结终点组合预测法

由于烧结过程具有不确定性、多变量耦合、时变时滞的特点,并且烧结终点受多种因素的影响,采用传统控制方法难以将烧结终点控制在要求的范围内,提出应用支持向量机优良的时序预测性能,以及贝叶斯理论能够利用样本信息和先验知识来简化预测模型和优化参数的特性,建立了贝叶斯支持向量机烧结终点的预报模型。首先对烧结终点的机理分析,后分别叙述贝叶斯框架理论和LS-SVM算法,并将贝叶斯证据框架应用于最小二乘支持向量机模型参数的自动选择,建立起时间序列的烧结终点非线性预测模型。在贝叶斯推断的第一层,进行模型参数的选择;在贝叶斯推断的第二层,进行模型超参数的选择;在贝叶斯推断的第三层,估计模型核参数,然后利用贝叶斯最小二乘支持向量机算法(LS-SVM)对烧结终点进行预测,并在此基础上构造了烧结终点的贝叶斯最小二乘支持向量机模型。仿真结果和多种模型比较表明,本模型能在小样本贫信息条件下对烧结终点做出比较准确的预测,并具有预测精度高、所需样本少、计算简便等优点,取得了令人满意的结果。     

基于QGA-LSSVM的能源需求预测

能源需求预测是能源规划和政策制定的前提和基础,能源需求预测受到众多因素的影响。为了快速、有效的预测我国对能源的需求,采用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立最优的能源预测模型。收集1997—2011年我国能源需求的相关数据作为训练样本和测试样本,对影响能源需求的指标数据,利用因子分析,对关联程度较高的指标数据进行公共因子的提取,减少判别指标间信息交互,通过预测模型的检验,并对比其他预测模型,验证了该模型在能源需求预测中具有极低的误差率。     

基于优化支持向量机的网络化制造安全检测

研究适用于小样本模式识别的新的通用学习方法最小二乘支持向量机,提出一种优化LS-SVM参数选择的方法.建立网络化制造安全检测多元分类模型,并进行仿真研究.结果表明:优化支持向量机具有优秀的小样本数据学习能力和预测能力,将其用于网络化制造安全检测是有效的、可行的.     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

基于PSO算法的HVAC系统LSSVM预测控制

针对暖通空调(HVAC)系统,提出一种基于粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的预测控制方法。该方法利用LSSVM建立HVAC系统预测模型并预测系统的输出值,引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造加权预测控制性能指标。由PSO算法滚动优化得到系统的最优控制量。利用该控制方法对一个HVAC系统进行仿真实验,结果表明该方法具有较好的控制效果。     

基于LS-SVM的边坡稳定性预测研究

针对边坡工程稳定性估计的复杂性,将最小二乘支持向量机引入到边坡稳定性估计的研究中,分别建立了边坡安全系数预测的最小二乘支持向量机模型和边坡稳定状态预测的最小二乘支持向量机模型,以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的边坡稳定性分析方法及其可行性．该方法具有一定的工程参考和实用价值．     

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.     

基于人工鱼群优化LS-SVM的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,提出了一种基于人工鱼群(AFSA)优化最小二乘支持向量机(LS-SVM)的卫星钟差预报方法。利用人工鱼群算法较强的全局寻优能力优化LS-SVM模型的惩罚参数和核宽度参数,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取IGS产品中4颗典型卫星的钟差数据,分别采用人工鱼群优化LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:人工鱼群优化LS-SVM模型的预报精度优于其它2种模型,尤其是在铷钟方面,预报误差在0.5 ns内,运行时间在5 min内。     

稀疏最小二乘支持向量机及其应用

提出基于特征向量选择(feature vector selection,FVS)的稀疏最小二乘支持向量机(sparse least squares support vector machine,SLS-SVM)模型,解决最小二乘支持向量机(least squares support vector machine,LS-SVM)稀疏化问题。采用FVS在特征空间构建特征向量子集,对训练样本进行稀疏线性重构;将稀疏化的特征向量作为支持向量,从而实现对LS-SVM稀疏化建模。将SLS-SVM模型进行弓网系统的仿真对比实验,结果表明SLS-SVM模型在取得高预报精度的同时,可实现支持向量的高度稀疏化,从而加快模型预报速度。     

基于支持向量机的矿区开采沉降的预测

针对矿区开采沉降预测方法问题,在分析了矿区开采沉降因素的基础上,利用统计学习的新方法--支持向量机,结合最小二乘算法,提出了矿区沉降的预测模型,预测结果与神经元网络,多项式拟合结果进行比较,结果表明支持向量机在沉降预测方面准确性高,泛化能力强.