基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

基于混合智能算法优化LSSVM的短期风压预测

利用最小二乘支持向量机(least square support vector machine, LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization, ACO)和粒子群(particle swarm optimization, PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

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.     

基于滚动时间窗的PSO-LSSVM的通信基站能耗建模

基站是通信网络的重要能耗节点,精准计算合同能源管理(EPC)模式下基站节能量成为该领域的技术瓶颈.以3类典型场景通信基站为对象,提出了一种基于粒子群优化算法(PSO)的滚动时间窗最小二乘支持向量机(LSSVM)的基站能耗建模方法.该方法通过选取预处理的基站配置参数与实时数据建立滚动时间窗,采用PSO优化训练模型参数,并通过LSSVM回归估计训练模型,得到随时间窗数据变化的基站动态能耗模型.仿真试验与样本基站实测数据的验证结果表明,本文建立的能耗模型具有较高的预测精度及泛化能力,对基站节能工程的评估具有良好的应用前景.     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于蒙特卡洛改进算法的地铁电力系统可靠性评估

在分析电力系统可靠性评估基本方法的基础上,考虑到地铁电力系统故障率较低,故障状态枚举方法难以获得精确的随机状态,以及设备单元的故障信息无法通过直接抽样获取,故使用正态分布描述地铁电力系统设备单元发生故障的实际过程,提出了改进的蒙特卡洛非序贯仿真算法,并给出其求解过程,构建了地铁电力系统的结构模型、Petri网模型和可靠性评估指标,最后以南京地铁一号线电力系统设备单元初始参数为计算数据,所得结果较传统计算方法更为准确,同时能够模拟故障维修时间以及区分不同故障类型.     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

基于改进PSO-LSSVM的TBM掘进速度预测研究

隧道掘进机（TBM）对于地质条件的高度敏感性以及TBM设备高度智能化和最终实现无人驾驶,对精准预测TBM掘进速度均提出了更高要求.为了未来实现TBM智能化控制,采用线性递减惯性权重对粒子群算法（PSO）进行改进,并把改进的粒子群算法和最小二乘支持向量机（LSSVM）相结合,建立了改进的PSO-LSSVM掘进速度预测模型.基于美国纽约Queens NO.3隧道的153组实验获得的岩体参数和现场实测掘进速度,采用SPSS软件进行了相关性分析,验证了参数的适用性,采用改进的PSO-LSSVM模型进行掘进速度预测,并通过与传统LSSVM模型和PSO-LSSVM模型进行对比发现：采用线性递减惯性权重改进的PSO-LSSVM预测模型的决定系数在训练集和测试集中均达到0.95及以上,均方误差在0.01以内,明显优于传统模型.本文所建模型在TBM掘进速度预测中有明显的精度优势,可辅助TBM智能化施工.     

改进的PSO-LSSVM火山岩气藏压裂水平井产能预测模型

 在火山岩气藏压裂水平井产能预测模型中,影响因素多、实际样本少、各项参数获取不完整,因而利用常规方法预测的误差较大。为了充分地利用现有数据资料,从而快速有效地确定火山岩气藏压裂水平井产能,本文采用灰色关联方法确定了影响火山岩气藏压裂水平井产能的因素,利用粒子群算法对最小二乘支持向量机参数进行了优化,同时考虑到不同参数的敏感性,引入因素权重,形成了改进的PSO-LSSVM火山岩气藏压裂水平井产能预测模型。模型既充分利用了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,又发挥了粒子群算法计算速度快和具有较强的全局搜索能力的优点,还兼顾了各因素之间相互作用的影响。使用改进的PSO-LSSVM模型与传统的PSO-LSSVM模型和BP-LM模型进行计算对比的结果表明,改进的PSO-LSSVM模型所需的计算迭代次数更少,计算精度更高,进行模型预测的结果也更精确。     

基于PSO-LSSVM的复杂试验不确定度分析

提出一种结合粒子群优化（PSO）算法和最小二乘支持向量机（LSSVM）模型的复杂试验不确定度分析方法。以汽车座椅的安全带拉伸试验为对象,研究汽车座椅安全带拉伸试验的主要影响因素及其概率密度函数参数,采用拉丁超立方方法进行试验设计,并进行安全带拉伸试验有限元仿真。运用PSO-LSSVM建立安全带拉伸试验的数学模型,并与B...     

Application of improved PSO-LSSVM on network threat detection

To solve the problem of the design of classifier in network threat detection, we conduct a simulation experiment for the parameters’ optimal on least squares support vector machine (LSSVM) using the classic PSO algorithm, and the experiment shows that uneven distribution of the initial particle swarm exerts a great impact on the results of LSSVM algorithm’s classification. This article proposes an improved PSO-LSSVM algorithm based on Divide-and-Conquer (DCPSO- LSSVM) to split the optimal domain where the parameters of LSSVM are in. It can achieve the purpose of distributing the initial particles uniformly. And using the idea of Divide-and-Conquer, it can split a big problem into multiple sub-problems, thus, completing problems’ modularization Meanwhile, this paper introduces variation factors to make the particles escape from the local optimum. The results of experiment prove that DCPSO-LSSVM has better effect on classification of network threat detection compared with SVM and classic PSOLSSVM.     

基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

基于高斯过程分类与蒙特卡洛模拟的岩土工程结构可靠度分析方法

岩土工程结构可靠度分析中,功能函数一般呈隐式且需借助有限元等数值计算来构建,采用传统蒙特卡洛模拟法求解时常遇到计算耗时大和计算效率低的问题,进而导致该方法在实际工程应用中受到极大限制。将结构可靠度求解问题转化为二元分类问题,把分类性能优异的高斯过程分类模型与蒙特卡洛法相结合,提出了岩土工程结构可靠度分析的高斯过程分类——蒙特卡洛法。根据所建立的隐式功能函数,采用岩土工程结构分析程序构造少量的学习样本,利用学习后的高斯过程分类模型重构极限状态方程,实现随机样本的安全或失效状态的准确识别,进而采用蒙特卡洛抽样模拟获得结构的失效概率与可靠指标。算例研究表明,方法简单易行,与传统蒙特卡洛模拟法相比较,计算效率明显较高,且易于与各种岩土工程结构分析程序或商业计算软件相结合。     

基于双参数最小二乘支持向量机(TPA-LSSVM)的风电时间序列预测模型的优化研究

风电时间序列预测模型的优劣直接影响风功率的应用价值,最小二乘支持向量机（least squares support vector machine,LSSVM）在处理风电预测问题上具有明显优势。提出了一种双参数算法（two-parameter algorithm,TPA）,从理论上证明了任意初始值均可线性收敛到全局最优值。调用TPA算法对LSSVM模型的惩罚因子和径向基宽度进行寻优赋值,并将训练好的TPA-LSSVM模型应用于风电预测中。仿真结果表明,与LSSVM模型、粒子群最小二乘支持向量机（PSO-LSSVM）模型、径向基函数神经网络（RBFNN）模型相比,TPA算法可以更好地实现LSSVM的参数寻优,TPA-LSSVM模型能有效提高预测精度。     

装配故障率的灰色最小二乘支持向量机分析

为了对装配故障率进行定量研究,用最小二乘支持向量机(LSSVM)对装配故障率与属性之间的关系进行了建模。在该模型中对影响故障率的5M1E(Man, Machine, Material, Method, Measurement and Environment)因素用装配可靠性评价方法(Assembly Reliability Evaluation Method, AREM)提取的装配故障率属性进行了改进,建立了装配故障率的全属性模型;为提高求解效率以及使装配可靠性控制更具有目的性,用灰色关联分析对装配故障率的属性进行提取,得到了主要属性,并用遗传算法对主要属性建立的装配故障率模型进行参数优化。用灰色关联分析提取的主要属性的LSSVM模型与全部属性建立的LSSVM模型和主要属性建立的BP神经网络模型的装配故障率预测进行比较,结果表明用灰色关联分析的LSSVM故障率模型不仅建模简单而且还具有预测精度高等优点。