改良ANN-BP算法在炭黑工艺建模中的应用与研究

针对目前炭黑行业生产主要以经验为主的不利境况，将人工神经网络误差反向传播算法(ANN-BP算法)用于炭黑工艺建模，比较三种ANN-BP算法结果后，利用基于动量法和学习速率自适应调整改良的ANN-BP算法建立了炭黑工艺参数与指标之间的非线性映射模型，并与多元线性回归、主成分回归建立的线性模型进行了比较，结果表明，改良ANN-BP算法预测相对误差在5．6％以内，且有较好的容错能力，比较好的解决了炭黑生产过程中的预测模型构建问题。     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

支持向量机与神经网络在减振器建模中的应用

提出了利用支持向量机回归建立减振器非参数模型的方法。之后,利用支持向量机建立的模型与两类神经网络模型进行了对比。一类是反向传播神经网络,另一类是径向基函数神经网络。这三种模型分别在虚拟减振器与真实减振器上进行了比较。比较结果证明反向传播神经网络对虚拟减振器的辨识结果最好,而支持向量机回归算法对真实减振器的辨识效果最好。其原因是由于真实减振器的试验数据均具有噪声,而支持向量机对噪声具有一定的鲁棒性。     

基于支持向量机的烧结能耗及性能指标预测模型

针对烧结过程中能耗和性能指标预测方法精度不高、训练时间长的问题,首先,在总结当前预测建模方法的基础上,将回归型支持向量机(support vector machine for regression,SVR)引入烧结生产系统,分析了2种建模模式;然后,给出基于SVR预测建模一般流程;最后,以某大型钢铁企业为例进行验证,并与传统的多元线性回归、反向传播(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)网络和极限学习机(extreme learning machine,ELM)等预测方法在相同模式内和不同模式间进行比较.结果表明,SVR方法可快速获得理想的预测结果,在预测精度和时间效率上具有优势.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题，提出了一种用ε不敏感支持向量回归(ε-SVR)方法进行实际过程建模的想法，以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题．在分析ε-SVR特性的基础上，用一个非线性函数逼近例子验证了ε-SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力．将ε-SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中，仿真和现场运行结果表明ε-SVR是一种非常有效的化工数据建模方法．     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

基于改进支持向量回归的岩溶天窗水位预测模型

利用主成分分析对影响变量进行特征提取,选择通用性较强的径向基核函数,应用遗传算法对影响支持向量回归模型的2个重要参数惩罚因子C和核函数参数γ进行优化,建立了基于遗传算法优化的支持向量回归模型,并以提取特征作为模型输入应用于后寨地下河流域平山天窗水位预测.预测结果表明,与传统偏最小二乘回归模型相比,优化后的模型具有更高的...     

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.     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

多环芳烃致癌活性的支持向量机分类模型

采用留一交叉校验法,分别用支持向量分类法、反向传播人工神经网络和K最近邻法对72个多环芳烃类化合物致癌活性构建分类模型,并作比较.其错分样本数及预报准确率分别为：7、28和22个;90.28%、61.11%和69.44%.实验结果表明,支持向量机算法具有较强的稳健性和较好的鲁棒性,能够用于多环芳烃致癌活性的分类和预测.     

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.     

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。     

基于从头算量化参数的BPx网络模型在吡啶类化合物pKa中的应用

用量子化学从头算RHF方法在6-31G水平下对吡啶类分子进行构型全优化,并用优化得到的量化参数作为反向传播人工神经网络的输入向量,并将此模型（人工神经网络）应用到吡啶类化合物pKa值的预测。将预测结果与多元线性回归算法的结果相比较。研究表明,所构造的人工神经网模型在预测吡啶类化合物的pKa值中得到满意的结果．     

连续小波变换-支持向量回归-紫外分光光度法测定多组分B族维生素含量

提出了连续小波变换-支持向量回归-紫外分光光度法(CWT-SVR-UV)多组分B族维生素含量测定方法.通过对维生素B混合样品测定光谱进行CWT处理,能够扣除光谱背景信号,降低光谱重叠与共线性的影响.将CWT-SVR-UV法用于维生素B1、维生素B2、维生素B3及维生素B6混合组分的同时测定,测定结果相对标准偏差分别为0.9%、1.8%、1.7%和0.5%.与基于原始光谱数据的SVR和偏最小二乘(PLS)建模方法相比较,本文提出的建模测定方法具有更好的预测准确度.     

支持向量机法预测卤代苯和苯酚衍生物的毒性

应用支持向量回归算法（SVR）,以按非氢原子分类的分子电性距离矢量（H-MEDV）为参数,通过参数的优化,建立了几种更强的预测模型,预测了卤代苯和苯酚衍生物的毒性,并根据H-MEDV参数原理对预测结果进行了初步探讨.各预测模型的标准误差分别为0.305、0.267、0.275、0.228、0.362、0.238,均低于采用多元线性回归（MLR）和逐步回归（SMR）法的预测结果,说明支持向量回归算法在小样本、多变量的样本建模预报问题上具有一定的优势.     

基于支持向量回归机的同步发电机励磁电流预测方法

为了能更准确、容易地在线诊断出同步发电机转子绕组匝间短路故障,提出了一种基于支持向量回归机的励磁电流预测方法.利用同步发电机正常运行时不同工况下的机端电压、有功功率、无功功率和励磁电流来建立发电机励磁电流的支持向量回归机预测方法.利用该方法预测正常运行时所需励磁电流,并与在线实测的励磁电流进行比较,误差(相对误差)超过阈值就诊断为发生匝间短路故障.通过微型同步发电机动态模拟实验表明,该方法的精度优于BP神经网络法和遗传规划法.     

地质突变条件下基于组合模型的围岩等级和TBM掘进参数预测

为了提高硬岩隧道掘进机(TBM)施工的安全性和智能化,基于TBM掘进数据,提出了一种将双向长短期记忆(BiLSTM)网络与支持向量机回归(SVR)算法相结合的可以同时进行围岩等级和TBM掘进参数预测的组合模型(BiLSTM-SVR模型)。实例验证结果表明:BiLSTM-SVR模型对围岩等级的预测准确度较高,均方根误差均小于0.026 5、平均绝对百分比误差均小于0.95%;BiLSTM-SVR掘进参数预测中,推力和扭矩的预测准确度最高,净掘进速度和开挖比能的预测准确度最低;BiLSTM-SVR模型比BiLSTM模型和SVR模型的掘进参数预测准确度有较大的提高,因此进行单一模型的组合可以有效提高模型预测的准确度和鲁棒性。