基于粒子群协同优化算法的供应链金融信用风险评价模型

针对供应链金融模式下信用风险评价精度受信用特征子集与模型参数影响的问题, 提出一种粒子群协同优化信用风险评价模型. 该模型在充分论证供应链金融风险特征指标体系的基础上, 利用二进制粒子群算法优选特征子集, 并对支持向量机(SVM)参数协同优化. 对供应链金融信用风险评估进行实验, 并与传统径向基支持向量机和主成分分析特征抽取方法对比, 结果表明, 该模型优选的特征子集和SVM参数能显著提高信用风险评价精度.     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于粗糙集与粒子群优化支持向量机的瓦斯突出预测模型

针对煤矿开采中煤与瓦斯突出的预测问题,在综合分析瓦斯突出影响因素的基础上,利用粗糙集理论和支持向量机相结合的方法,选取煤厚变化、地质构造、煤坚固性系数、巷道采压、瓦斯变化、钻屑瓦斯解吸值等10个特征指标建立瓦斯突出预测决策表,并利用粗糙集理论中的属性约简算法剔除冗余信息,再使用粒子群算法优化支持向量机的参数,通过核函数将瓦斯突出主控因素映射到高维空间,拟合主控因素与瓦斯突出强度之间的非线性映射关系,建立了基于粗糙集理论和粒子群优化支持向量机的瓦斯突出预测模型.选用典型的瓦斯突出实例作为学习样本,以河南某矿的突出实例作为测试样本进行预测.实验结果表明,该模型能够满足煤与瓦斯突出预测的要求,预测结果与实际结果一致,准确率较高,具有较好的适应性.     

基于粗糙集理论和支持向量机的岩爆预测

为了提高不同环境和地质条件下对岩爆预测的准确性,在综合岩爆影响因素的基础上,选取岩石取样处的埋深、岩石单轴抗压强度,岩石单轴抗压强度与抗拉强度比值、围岩最大切向应力与岩石单轴抗压强度比值、岩石弹性变形能指数作为评判指标建立岩爆烈度预测决策表,根据粗糙集理论中的属性约简算法,确定特定地质条件下岩爆的主要影响因素,删除冗余数据,再使用粒子群算法优化支持向量机的参数,通过核函数将岩爆主控因素映射到高维空间,拟合主控因素与岩爆烈度之间的非线性映射关系,建立基于粗糙集理论和粒子群支持向量机(RS-PSOSVM)的岩爆预测模型,并将该模型应用于大相岭隧道的岩爆预测。研究结果表明:该模型具有较高准确率和和较强稳定性;岩爆预测结果与实际结果一致,验证了该模型的可行性。     

基于改进最小二乘支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集、熵权法、自适应粒子群优化算法与加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想。首先阐述了粗糙集、信息熵、自适应粒子群优化算法和加权最小二乘支持机的基本原理,并改进了自适应粒子群优化算法的搜索方式和最小二乘支持向量机的加权方法;然后建立了基于粗糙集、熵权法和自适应粒子群优化加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

基于改进支持向量机的空气质量监测预警模型

在使用粒子群和组合预测方法改进传统支持向量机预测精度的基础上,构建了基于空气质量指数的城市空气质量监测预警模型.在参数优化方面,为了提高惩罚参数和核参数的选择精度,利用带收敛因子的粒子群算法,优化了网格搜索交叉验证法的参数筛选流程;在模型改进方面,为综合利用多种预测算法的优势,引入组合预测方式对灰色预测、时间序列预测和PSO-SVM模型的预测结果进行最优线性组合.结果表明:改进后的参数筛选流程和支持向量机的空气质量监测预警模型具有预测数据结构风险低、预测均方误差最小、运算精度高、运算速度快和适用性广等特征.     

环境因子筛选及组合方法对滑坡易发性预测的影响规律

采用不同筛选方法从滑坡环境因子中获取各种因子组合,将其作为滑坡易发性预测模型的输入变量,用以研究不同环境因子筛选及组合下的建模规律,对准确可靠地预测滑坡易发性具有重要的理论和实践参考价值.以三峡库区万州区为例,首先,选取23种环境因子,如地形、水文、岩性等;然后,用相关系数(Coefficient Analysis, CA)、线性回归(Linear Regression, LR)、主成分分析(Principal Component Analysis, PCA)、神经网络(Artificial Neural Network, ANN)和粗糙集(Rough Set, RS)等筛选方法来优化环境因子组合,将其作为支持向量机(Support Vector Machine, SVM)、多层感知器(Multi-layer perceptron, MLP)等典型机器学习模型的输入变量,构建CA-SVM、CA-MLP等耦合模型,预测滑坡易发性,并与未进行环境因子筛选的全部因子耦合机器学习模型作对比;最后,用受试者操作特征曲线下面积(Area under receiver operating chara...     

基于PSO-SVMＰ模型的理论线损率预测研究

深入分析了线损率的影响因素,对现存的线损率预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立基于粒子群优化的支持向量机预测模型对理论线损率进行预测仿真,为线损的降低和电能的高效利用提供保障;最后通过实例验证了该模型在理论线损率预测中的精度.     

基于粗糙集和支持向量机的采空区煤自燃火灾预报

考虑到采用标志气体分析法对煤自燃火灾预报时特征维数较高、特征之间存在冗余且样本有限,文中提出基于粗糙集和支持向量机的采空区煤自燃火灾预报方法。该方法首先采用粗糙集对原始样本去除冗余和特征维数约简得到多组候选特征子集,然后对获得的多组候选特征子集利用支持向量机进行分类和性能评价,选取分类性能最好的一组特征子集用于设计支持向量机分类器,并对采空区遗煤自燃状态进行预测分析。实验选择大同矿区煤样自然发火实验数据,与4种典型分类预测算法的进行比较分析,实验结果表明文中算法预测准确率更高,训练速度更快。粗糙集为煤自燃火灾预报中标志气体选择提供了一个理论依据和新的思路,而支持向量机则提高了煤自燃火灾预测的精度。     

综采面区段煤柱宽度的PSO-SVM预测模型

为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM) 3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1. 81%,GS-SVM为8. 36%,GA-SVM为3. 78%. PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

人工智能在故障诊断中的应用研究

针对神经网络存在的缺点和不足,主要分析神经网络和粗糙集、支持向量机、粒子群、小波相结合使用的方法.粗糙集和神经网络相结合用于故障诊断,可以通过粗糙集的知识约简功能大量消除训练样本中的冗余信息,减少神经网络的输入层节点,简化网络结构,缩短训练时间;基于神经网络和支持向量机的复合故障诊断技术不但可以进一步提高个体模型预测精度,而且可以使故障诊断模型始终处于最优识别状态;粒子群优化神经网络能够加快网络收敛速度,提高训练精度;小波神经网络能够很好地对故障进行分类,具有较高的识别精度.     

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.     

电动车动力总成噪声品质粒子群-向量机预测模型

为了实现电动车动力总成噪声品质的预测,以某集中驱动式电动车为例,在考虑动力总成辐射噪声品质频域特性和已设立的敏感频带能量比这一客观评价参数的基础上进行了心理声学参数,即响度、尖锐度、粗糙度、抖动度、语音清晰度等与主观评价的相关性分析,由此建立了电动车动力总成噪声品质粒子群支持向量机预测模型,内容涉及采用支持向量机建立噪声品质预测模型、利用粒子群优化算法对向量基惩罚因子及核函数参数进行优化,最后验证了敏感频带能量比评价参数的有效性。研究结果表明:敏感频带能量比与主观评价相关度达到0.946,可以较好地反映主观感受;基于粒子群支持向量机的噪声品质预测模型的平均相对误差和最大相对误差分别为2.0%和6.7%,表明以敏感频带能量比作为输入特征的粒子群优化支持向量机模型,在电动车动力总成噪声品质的预测精度上优于基于遗传算法优化及网格搜索优化的预测模型。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型

为应对当前复杂非线性的宏观经济形势与电力消耗情况,本文提出了一种自适应粒子群算法改进的最小二乘支持向量机负荷预测模型。根据粒子群中粒子的成熟程度对其进行分类,对不同类别的粒子分别采取不同的位置更新方式,可以保持粒子种群多样性,避免造成局部最优。利用自适应粒子群算法优化最小二乘支持向量机的模型参数,经过实证分析能够一定程度提高模型的预测精度,可以为中长期负荷预测工作提供一些的参考。     

无线接入点吞吐率预测的建模与优化

针对接入点吞吐率的多步预测问题,提出基于Nu-支持向量回归的建模策略,设计了并行混合粒子群算法,从特征选择与参数选择两个方面对预测模型进行联合优化。评估结果表明,Nu-支持向量回归模型在吞吐率多步预测中能取得较高精度,并行混合粒子群算法具有良好收敛性,且能显著提高预测模型的性能。     

混合粒子群优化算法选择特征的网络入侵检测

针对网络入侵特征优化问题, 提出一种混合粒子群优化算法选择特征的网络入侵检测模型, 以提高网络入侵检测率. 首先将网络入侵检测率作为特征选择的目标函数, 网络状态特征作为约束条件建立相应的数学模型, 然后采用混合粒子群算法找到最优特征子集, 最后采用支持向量机作为分类器建立入侵检测模型, 并在MATLAB2012平台上采用KDD1999数据进行验证. 实验结果表明, 该模型可高效地查询到最优特征子集, 入侵检测率和效率均优于经典入侵检测模型.     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。