基于参数优化的最小二乘支持向量机HEV阀控铅酸蓄电池SOC预测

针对电池容量预测问题,引入最小二乘支持向量机(LS-SVM)方法用于判断混合动力汽车(HEV)阀控铅酸蓄电池(VRLA)的荷电状态(SOC)。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出一种基于参数优化的最小二乘支持向量机预测方法。首先,在非线性回归预测模型的训练过程中,采用模拟退火算法来确定LS-SVM的初始值参数,从而更好地反映预测模型的复杂度,以此提高状态预测的精度。其次,由于预测模型在应对不良数据时可能出现误差增大的问题,分别采用贝叶斯证据框架(BEF)优化算法和留一交叉验证(LOOCV)优化算法来增强预测模型的抗差能力。研究结果表明:留一交叉验证优化算法具有较高的预测精度,实用性强,有效性高。     

基于UGM-ULSSVM的导弹制导控制系统状态预测方法

针对基于特征参数的导弹制导控制系统状态预测存在的状态数据不等间隔、小样本的问题,并考虑各性能特征参数间的相互影响、相互关联的关系,提出了一种基于非等间距灰色联合最小二乘支持向量机(UGM-ULSSVM)的退化状态预测方法.在UGM-ULSSVM模型的训练阶段,根据特征参数序列建立其非等间距灰色预测模型(UGM(1,1)),将UGM(1,1)的拟合值作为输入,原始数据序列作为输出,分别训练得到时间型最小二乘支持向量机(TLSSVM)与空间型最小二乘支持向量机(SLSSVM);在模型的预测阶段,由建立的UGM(1,1)模型和通过证据理论融合TLSSVM和SLSSVM建立的ULSSVM模型组合得到UGM-ULSSVM状态预测模型.以导弹制导控制系统为例,实现了关键参数预测,结果验证了方法的合理性与有效性.     

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。     

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．     

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。     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

基于小波分解和支持向量机的ENSO预测试验

为了改善ENSO的预测效果,基于Nino综合区的海温距平时间序列,采用小波分解和最小二乘支持向量机结合的方法,引入多步递阶预测的思想,建立ENSO的预测模型.试验结果表明:基于小波分解和最小二乘支持向量机结合的多步预测方法,可以有效提高ENSO的预报精度.同时,该模型具有同时得到不同时效的预测结果,建模方便,计算效率高...     

基于分形和支持向量机的装备技术状态预测模型

基于分形和支持向量机回归理论,建立了装备技术状态预测模型.将反映装备运行状态的特征数据作为时间序列,首先进行相空间重构,得到时间序列的最小嵌入维数,以此作为支持向量机输入节点数.利用支持向量机对样本训练,建立预测模型.以装备振动信号预测为实例,表明将时间序列最小嵌入维数作为支持向量机输入节点数目,所建立的模型是最优的.支持向量机预测结果和真实值相比误差较小,可以满足装备技术状态分析和预测的要求.     

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PSO的氧化铝粉流量LS-SVM预测模型

针对电解铝厂生产过程中氧化铝输送流量在线测量问题,考虑到样本数据较少的因素,采用粒子群优化的最小二乘支持向量机方法,建立氧化铝超浓相输送中氧化铝粉流量的软测量模型.以粒子群优化的方法选取最小二乘支持向量机的模型参数,克服交叉验证法耗时与盲目性的问题,同时发挥最小二乘支持向量机的小样本学习能力强和计算简单的特点.通过采用实际数据进行仿真研究,结果表明,所建预测模型估计值与实际分析值吻合较好,从而验证了PSO-LSSVM预测模型对氧化铝粉流量准确估算的有效性.