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．     

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GA-LS-SVM的水稻叶片含氮率预测

采用水稻无土栽培方法人为控制含氮率,在水稻某特定生长期,同时测量水稻冠层反射率和叶片含氮率,建立了基于冠层反射率的水稻叶片氮含率的回归预测模型.通过分析不同氮环境下各冠层反射率光谱图,确定了与水稻含氮率相关性高的特征波段.针对最小二乘支持向量机(leastsquares support vector machines,LS-SVM)参数难定问题,采用遗传算法对LS-SVM参数进行优化.试验结果表明,传统人为选定参数的LS-SVM算法模型的平均回判精确率达到97.21%,预测平均误差率达到5.70%,遗传算法最小二乘支持向量机(genetic algorithm least squares support vec-tor machines,GA-LS-SVM)算法模型的平均回判精确率达到99.60%,预测平均误差率达到2.72%.GA-LS-SVM算法模型的回判及预测效果均明显优于人为选定参数的LS-SVM算法.     

基于改进克隆选择算法的最小二乘支持向量机

针对最小二乘支持向量机的参数选取问题,引入了克隆选择算法,提出了一种基于改进克隆选择算法的最小二乘支持向量机。同时根据最小二乘支持向量机的学习能力和泛化能力,在克隆选择算法的目标函数中加入两者的动态调节机制,这样改进的克隆选择算法在寻优过程中能够准确、快速地搜索到最小二乘支持向量机的最优参数。将本文模型用于乙烯裂解炉裂解深度值的学习和预测,经仿真实验表明：该预测模型的训练速度快,预测精度高。     

基于贝叶斯推理的LS-SVM矿产资源定量预测

针对矿产资源定量预测过程中最小二乘支持向量机(LS-SVM)的参数选择具有主观性和随意性,提出了一种与贝叶斯推理相结合的LS-SVM资源定量预测方法,并将其与证据权法(Wof E)进行了对比.在训练过程中采用贝叶斯推理方法对LS-SVM的参数选择进行优化,进而构建矿产资源定量预测优化模型.研究表明,该方法不但克服了参数选择的局限性,而且以后验概率形式输出预测结果,从而可提高预测精度.     

基于改进果蝇算法优化的最小二乘支持向量机动力锂电池荷电状态预测

荷电状态(SOC)是动力锂电池管理系统的重要参数,使用传统算法优化锂电池SOC预测模型参数,收敛性相对较差,容易陷入局部最优解。对此,采用改进果蝇算法(IFOA)对最小二乘支持向量机(LSSVM)的参数进行优化,通过引入自适应松弛项来提高预测精度和收敛速度,获取全局最优解。选用磷酸锂电池为研究对象,测量其工作电压、工作电流和SOC,并将数据作为测试集,在MATLAB平台上建立基于IFOA优化的最小二乘支持向量机SOC预测模型。结果表明：IFOA优化的LSSVM动力锂电池SOC预测结果和实测结果吻合良好,平均绝对误差(MAPE)为1.02%,泛化能力强,预测精度相较果蝇算法最小二乘支持向量机(FOA-LSSVM)和贝叶斯算法最小二乘支持向量机(BEF-LSSVM)模型的精度更高。     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

状态时间序列预测的贝叶斯最小二乘支持向量机方法

为实现对电子系统状态时间序列的有效预测,提出一种基于贝叶斯证据框架的最小二乘支持向量机在线预测方法.该方法以逐次增加最新状态数据并剔除最旧状态数据的方式更新最小二乘支持向量机预测模型,利用分块矩阵求逆运算简化了新旧状态数据交替增减所带来的预测模型重训问题,通过贝叶斯证据框架实现预测模型超参数的在线动态优化.应用于雷达发射机中高压电源与多注速调管的状态时间序列预测实例表明,该方法的预测精度与计算效率比自适应灰色模型方法分别高9.52%与73.26%,具有预测精度高、预测稳定性高与计算效率高的优点,适用于电子系统在线状态时间序列预测.     

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.     

基于神经网络的烧结终点预报的研究

针对烧结终点非线性的特点,采用误差反向传播算法的多层前馈神经网络(BP)来建立其模型,用自适应算法确定学习参数,用改进的BP神经网络的算法求出结构适宜的自适应网络。提出并实践了提高烧结终点BP神经网络预报速度的数据处理方法,基于现场数据采用计算机仿真的结果表明该方法的有效性。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于KPCA及SVM的蛋白质O-糖基化位点的预测

为了提高蛋白质O-糖基化位点的预测准确率,提出了把核主成分分析（KPCA）与支持向量机（SVM）相结合的方法。实验样本用稀疏编码方式编码,窗口长度为21。首先,用核主成分分析提取了样本的核主成分（特征）;然后,在特征空间中用改进的支持向量机（ISVM）进行分类（预测）。在使用支持向量机分类时,设置了一个边界系数来减少运算的复杂度。实验结果表明,使用KPCA ISVM的方法预测的效果优于PCA SVM的预测效果。预测准确率为87%。更进一步,用不同长度的样本做实验(w=5,7,9,11,21,31,41,51),使用多数投票法综合各子分类器的优势。结果表明,组合分类器的预测准确率优于子分类器的预测准确率,预测准确率为88%。     

高炉生产过程的智能预测建模

针对高炉生产过程的复杂性、非线性以及强耦合、多变量、难测量等特点,提出铁水硅含量的智能复合多变量预测模型对高炉生产过程进行建模.整个系统分为两部分:首先离线建立不同工况下铁水硅含量的多变量预测模型:然后运用模糊逻辑推理建立各模型输出、实际输出与模型权重之间的对应关系,进行多模型智能融合,生成复合模型,并对其进行在线调整以优化预测过程.研究结果表明:采用此方法计算周期短,对被控对象的变化有较强的鲁棒性:该系统预测误差小,能够快速适应工况的变化,实用性好.     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。     

基于预测能力的贝叶斯网络结构学习

给出了变量之间预测能力的概念及估计方法,证明了预测能力就是预测正确率.在此基础上建立了基于预测能力的贝叶斯网络结构学习方法,并使用模拟数据进行了实验.实验结果显示该算法能够有效地进行贝叶斯网络结构学习.