基于最小二乘支持向量机回归的单桩竖向极限承载力预测

基于单桩载荷试验数据,采用最小二乘支持向量机(LSSVM)回归的方法,建立了单桩竖向极限承载力的预测模型.利用文献中桩的载荷试验数据来训练LSSVM模型,并确定了模型参数.研究结果表明,同常用的BP网络相比,LSSVM预测模型具有学习速度快、预测性能较好、选择参数少等优点,是一种有效的预测单桩极限承载力的方法.     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

差分进化优化参数的LSSVM中长期径流预测

针对LSSVM预测模型参数难以确定的问题,利用差分进化(DE)算法的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性。将优化后的LSSVM模型应用于中长期径流预测问题。选取黄河三门峡站1919年至1992年径流量实测数据进行分析和训练,对1993年至2002年的年径流量进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明,该模型具有较高的预测精度。     

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.     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

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.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

基于APSO-LSSVM模型的导水裂隙带高度预测

为准确预测导水裂隙带高度,有效地预防煤矿开采中溃水安全事故,根据导水裂隙带相关理论研究和实测资料分析选取开采深度、煤层的倾斜角、厚度、硬度、岩层结构等8项指标作为导水裂隙带高度预测的特征指标,采用基于因子分析的APSO-LSSVM导水裂隙带高度预测模型.利用典型矿区导水裂隙带高度实测资料中的18组数据对该模型进行训练与检验,并将其预测结果与PSO-LSSVM、LSSVM模型预测结果分别进行比较.结果表明:APSO-LSSVM模型的预测精度高于PSO-LSSVM模型和LSSVM模型,对样本具有较强的识别能力.     

IAPSO-LSSVM下的煤炭开采成本预测模型

为提高最小二乘支持向量机(LSSVM)预测模型的精度,准确预测煤炭开采成本.利用改进的自适应粒子群算法(IAPSO)的全局搜索能力,寻找LSSVM最优的惩罚因子r和高斯核函数的半径σ,提出一种IAPSO-LSSVM预测算法.在分析影响煤炭开采成本的空间因素、时间因素和定性因素的基础上,构建基于IAPSO-LSSVM的煤炭开采成本预测模型,并以TF煤业集团数据进行仿真实验.结果表明:与LSSVM、PSO-LSSVM算法相比,该模型预测效果更好.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于组合模型的主元分析预测监控方法

传统的基于主元分析（PCA）的过程监控技术可以对工业过程当前的状况进行监控，但难以预测系统未来的运行情况。本文在PCA监控方法的基础上建立预测模型，首先根据历史数据建立PCA的综合监控统计量模型，其次结合k邻近（k-NN）的最小二乘支持向量机（LSSVM）和灰色理论（GM（1,1））技术建立在线组合预测模型，实现对工业过程运行状态的预测。利用组合模型对一个多变量动态过程实例进行仿真，将预测效果与k-NN的LSSVM以及GM(1,1)各自单独的预测效果作比较，验证了所提方法在长期预测方面的准确性，表明基于组合模型的PCA预测监控方法特别适用于对缓慢漂移故障的长期预测。     

基于WT与LSSVM的储层油水识别方法研究

为了依据测井数据迅速而准确地识别油水层性质,提出基于小波变换(WT)与最小二乘支持向量机(LSSVM)相结合的储层油水识别方法.首先,分析了基于测井曲线的常规交会图油水识别方法的不足;其次,以深侧向探测电阻率作为训练样本和测试样本对基于LSSVM的储层油水识别模型的准确性进行分析;最后,将WT与LSSVM相结合建立储层油水识别模型并结合常规测井资料对储层油水进行识别.实验表明,基于WT与LSSVM的储层油水识别模型具有较快的识别速度和较高的识别精度.因此,将WT与LSSVM相结合应用于储层油水识别建模是行之有效的.     

Seasonal Least Squares Support Vector Machine with Fruit Fly Optimization Algorithm in Electricity Consumption Forecasting

Electricity is the guarantee of economic development and daily life. Thus, accurate monthly electricity consumption forecasting can provide reliable guidance for power construction planning. In this paper, a hybrid model in combination of least squares support vector machine(LSSVM) model with fruit fly optimization algorithm(FOA) and the seasonal index adjustment is constructed to predict monthly electricity consumption. The monthly electricity consumption demonstrates a nonlinear characteristic and seasonal tendency. The LSSVM has a good fit for nonlinear data, so it has been widely applied to handling nonlinear time series prediction. However, there is no unified selection method for key parameters and no unified method to deal with the effect of seasonal tendency. Therefore, the FOA was hybridized with the LSSVM and the seasonal index adjustment to solve this problem. In order to evaluate the forecasting performance of hybrid model, two samples of monthly electricity consumption of China and the United States were employed, besides several different models were applied to forecast the two empirical time series. The results of the two samples all show that, for seasonal data, the adjusted model with seasonal indexes has better forecasting performance. The forecasting performance is better than the models without seasonal indexes. The fruit fly optimized LSSVM model outperforms other alternative models. In other words, the proposed hybrid model is a feasible method for the electricity consumption forecasting.     

基于IAO-LSSVM模型的基坑周围建筑物沉降预测: 以深圳华强南站地铁基坑为例

针对当前基坑开挖引发建筑物沉降预测模型存在精度不足、收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进天鹰算法(IAO)优化最小二乘支持向量机(LSSVM)的建筑物沉降预测模型。利用Tent混沌映射提高天鹰算法的种群多样性水平,再通过自适应权重强化算法的全阶段寻优能力;引入IAO算法优化LSSVM的正则化参数和核函数宽度,构建基于IAO-LSSVM的建筑物沉降预测模型,并将该预测模型在深圳华强南某地铁基坑工程中进行了验证。结果表明：该沉降预测模型相比于传统预测模型精度更高、收敛更快、跳出局部最优域的能力强;该模型预测值与实际沉降监测值吻合度较高,其误差在5 %左右,更适合预测城市中地铁基坑开挖引起的周围建筑物沉降。