集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

独立成分分析支持向量机回归模型及其在近红外光谱分析中的应用

首先采用独立成分分析(ICA)提取近红外光谱数据矩阵的独立成分和相应的混合矩阵,然后用支持向量机回归(SVR)对混合矩阵和实测浓度矩阵进行建模,建立了独立成分分析-支持向量机回归(ICA SVR)的近红外分析建模方法.结果表明,ICA SVR模型的预测结果明显优于SVR和偏最小二乘法(PLS)方法,方法用于肉样品中水分、脂肪和蛋白质的同时测定,获得了满意的结果.     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

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。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于运行状态信息的数控珩磨机液压系统可靠性预测方法

针对常规的可靠性预测方法无法实现对数控珩磨机液压系统可靠性进行有效预测的缺点,提出了一种基于运行状态信息及支持向量回归(SVR)的数控珩磨机液压系统可靠性预测方法.该方法主要包括状态特征指标的选取、瞬时可靠度的计算以及SVR预测模型的建立.为实现对SVR预测模型的有效解算,分别采用遗传算法(GA)、粒子群算法(PSO)和混合算法实现对SVR模型的核参数的寻优计算,并比较了3种方法下SVR模型的瞬时可靠度预测精度.实例仿真结果表明,与GA及混合算法相比,采用PSO算法来解算SVR预测模型能够得到更优的数控珩磨机液压系统的可靠性预测精度.     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

组合模型对居民消费价格指数序列的分析及预测

求和自回归移动平均模型(简称ARIMA)及支持向量回归模型(简称SVR)是两个重要且行之有效的分析及预测时间序列的方法.他们都能在一定程度上反映数据所包含的信息且信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型对居民消费指数(CPI)进行了预测,结果显示组合模型提高了指数的预测精度.     

一种软计算混合策略在多相催化剂建模与预测中的应用

为了减少发现新的碳一多相催化剂的时间、降低消耗,加速二甲醚合成工业化进程,提出一种新的软计算混合策略并应用于碳一多相催化剂建模与预测研究。支持向量回归机(Support Vector Regression,SVR)作为一种新的机器学习算法,能较好地解决小样本、高维、非线性和局部极小点等实际问题,在混合策略中被用于多相催化剂组分模型的开发。SVR模型的超参数选择采用启发式全局优化搜索算法——自适应混沌粒子群算法来提高SVR模型的预测精度和泛化能力。新策略的主要优势是在反应机理未知或难以获取的情况下,建模完全由历史进程的少量样本空间完成,避免了传统催化剂研发过程中"试错实验"的盲目性和偶然性。通过对两种不同建模方法、三种不同SVR超参数优化策略在Cu-Zn-Al-Zr合成二甲醚催化剂组分模型中的对比研究得出,新策略在多相催化剂建模与预测上是一个有前途的发展方向。     

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.     

Support vector machine applied in QSAR modelling

Support vector machine （SVM）, partial least squares （PLS）, and Back-Propagation artificial neural network （ANN） were employed to establish QSAR models of 2 dipeptide datasets. In order to validate predictive capabilities on external dataset of the resulting models, both internal and external validations were performed. The division of dataset into both training and test sets was carried out by D-optimal design. The results showed that support vector machine （SVM） behaved well in both calibration and prediction. For the dataset of 48 bitter tasting dipeptides （BTD）, the results obtained by support vector regression （SVR） were superior to that by PLS in both calibration and prediction. When compared with BP artificial neural network, SVR showed less calibration power but more predictive capability. For the dataset of angiotensin-converting enzyme （ACE） inhibitors, the results obtained by support vector machine （SVM） regression were equivalent to those by PLS and BP artificial neural network. In both datasets, SVR using linear kernel function behaved well as that using radial basis kernel function. The results showed that there is wide prospect for the application of support vector machine （SVM） into QSAR modeling.     

基于 SVR的传感器静态误差修正

为了提高传感器的稳定性和目标参量的测量精度,本文提出了一种基于支持向量机回归估计（SVR）的传感器静态误差修正方法。仿真实验结果表明,该方法能有效降低压力传感器的灵敏度温度系数,提高压力的测量精度。其相对温度变化的稳定性明显优于传统的传感器静态误差修正方法。     

基于粗糙集和支持向量机的深基坑工程风险评价

利用粗糙集和支持向量回归机的理论和方法,建立基于粗糙集和支持向量回归机相结合的风险评价模型。结合深基坑工程风险评价的实例,将约简后的评价指标输入到支持向量回归机中训练,构建评价模型,而在模型的构建中采用了高斯径向基核函数。最后将指标约简前后所得的评价结果分别与基于粗糙集和神经网络的评价所得的结果进行比较,采用粗糙集和支持向量回归机的评价法具有更好的评价效率。     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于支持向量机免疫集成预测的电信网络性能监控

为实现持续有效的电信网络性能监控,提出一种改进的支持向量机预测基线法.利用人工免疫网络优化支持向量机参数、核函数参数、嵌入维数和样本规模等回归分析的自由参数,提出支持向量机免疫集成预测算法.根据电信网络性能的周期性特点构建同点时间序列模型,以预测的置信区间为基线对电信网络性能进行监控,通过对某软交换服务器的CPU负荷进行实验分析.研究结果表明:与经验自由参数相比,支持向量机免疫集成预测算法能取得更加精确的回归模式,其误差平方和减少55.4％,同点时间序列模型能有效克服连续时间序列中存在的异常输入敏感问题,准确发现多个连续的异常点.     

基于小样本的GDI涡轮增压发动机性能预测方法比较分析

为了降低建立发动机性能预测模型消耗的实验成本，利用具有强大的非线性问题分析能力的机器学习算法：广义回归神经网络（general regression neural network，GRNN）和支持向量回归（support vector regression，SVR），预测GDI （gasoline direct injection）涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点，然后基于仅包含25个样本的相同训练数据训练模型，使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明，在实验数据有限的情况下，GRNN有收敛到局部最小值的风险，而SVR可以找到最优的全局解，并具有良好的预测精度和泛化能力，因此SVR非常适合应用于GDI涡轮增压发动机性能预测，并将显著降低实验成本。     

基于机器学习的钻孔数据隐式三维地质建模方法

针对基于钻孔数据的传统显式三维地质建模方法存在过程繁琐、模型质量难以保证等缺点,本文提出了一种基于机器学习的隐式三维地质建模方法,将地层三维建模问题转换为地下空间栅格单元的属性分类问题.分别基于支持向量机、BP神经网络等分类算法,实现了钻孔数据的自动三维地质建模.实际建模结果表明,对于有限、稀疏的钻孔数据,支持向量机方法建模准确率较高,建模效率、效果优于显式建模方法.最后通过敏感性分析研究了超参数对建模结果准确率、模型形态的影响,为可控的自动三维地质建模提供了一种新的解决思路.     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.