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.     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

基于最小二乘支持向量机的福建省GDP预测研究

提出一种基于最小二乘支持向量机的福建省GDP预测方法.采用径向基核函数进行仿真模拟,经过参数选优建立了精度较高的预测模型.预测结果表明,利用最小二乘支持向量机进行预测具有误差小、拟合程度高等优点,可适用于GDP的预测.     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

基于全局优化支持向量机的多类别高炉故障诊断

针对高炉故障诊断系统快速性和准确性的要求,提出基于全局优化最小二乘支持向量机的策略.首先,采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化;然后,利用核主元分析法对选取的特征向量进行压缩整理;最后,构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明,通过对故障训练样本有意义地分割重组,用较少的最小二乘支持向量机分类器,得到较高的故障判断准确率且增强了整个系统的实时性.     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

基于信息融合的带钢厚度预测控制

通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量.     

基于LS-SVM的无人机费用预测

无人机费用预测是在装备研制设计阶段就必须考虑的重要问题。针对无人机费用预测小样本、具有不确定性等特点,提出了基于最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machines)的无人机费用预测模型,并应用于研制费用、维修保障费用预测。应用结果表明,LS-SVM具有较高的费用预测精度。     

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WLS-SVM标准差σ预测的产品过程质量控制方法研究

及时、准确地预测加工过程产品质量标准差σ,对于及时判断工序状态、调整加工过程因素,进而提高产品过程质量等具有重要意义。文章提出了一种基于加权最小二乘支持向量机(WLS-SVM)的时间序列预测新方法,该方法采用了结构风险最小化原则,较好地避免了人工神经网络等智能方法在小样本学习、预测过程中存在的过学习、泛化能力弱等缺点;并采用"重近轻远"的权重设置原则,提高了预测的精度。实验表明,采用该方法对产品过程质量标准差σ进行预测切实可行,对于产品过程质量控制具有重要意义。     

基于QGA-LSSVM的能源需求预测

能源需求预测是能源规划和政策制定的前提和基础,能源需求预测受到众多因素的影响。为了快速、有效的预测我国对能源的需求,采用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立最优的能源预测模型。收集1997—2011年我国能源需求的相关数据作为训练样本和测试样本,对影响能源需求的指标数据,利用因子分析,对关联程度较高的指标数据进行公共因子的提取,减少判别指标间信息交互,通过预测模型的检验,并对比其他预测模型,验证了该模型在能源需求预测中具有极低的误差率。     

基于RS与LS-SVR的储层参数预测

该文提出结合粗糙集(RS)和最小二乘支持向量回归(LS-SVR)的方法.该方法利用RS对原始数据进行约简,更好地减少了支持向量的维数;同时采用LS-SVR解决了常规SVM计算速度慢、抗噪能力差的缺点.实例证明该方法应用在复杂地层储层参数预测中具有优越性.     

LS-SVM在状态监测数据趋势预测中的应用

介绍了最小二乘支持向量机（LS-SVM）回归算法的基本原理,并使用MATLAB6．5结合LS-SVM工具箱对某型雷达磁控管状态监测数据进行了预测。     

基于最小二乘支持向量机的大坝变形预测研究

大坝变形预测是风险评估的关键,而涉及因素存在高度非线性.为达到好的预测效果,提出了一种基于最小二乘支持向量机(LSSVM)的大坝变形预测方法.在数据预处理方面,针对传统的参数平方、立方这种处理方式,提出变阶次概念;针对LSSVM交叉验证耗时过多,提出了一种简单可行的变参数方法 .为了快速获得优化结果,引入基于十进制的遗传算法.此外,为进一步提高预测精度,引入遗忘因子概念.最后,给出一个实例.     

基于WLS-SVM的飞机状态监控与预测方法

介绍了加权最小二乘支持向量机(WLS-SVM)在时间序列预测中应用的基本方法,给出了一维时间序列建模预测的一般框架。提出采用BIC准则选取嵌入维数,并给出了基于统计量的模型性能评价方法。针对飞机发动机的典型状态参数,分别进行基于加权最小二乘支持向量机和AR模型的建模与预测,给出了详细的比较结果。试验表明,由于加权最小二乘支持向量机采用了新型的结构风险最小化准则,因而表现出优秀的推广能力,可预测区间较长且具有较高的准确度。     

基于LS-SVM的捷联惯组误差系数预测

针对目前小样本容量的捷联惯组误差系数预测精度不高的问题,采用最小二乘支持向量机(LS-SVM)对捷联惯组误差系数进行了预测研究,并以某型捷联惯组的某项陀螺漂移误差系数的历史数据为例进行了预测.结果表明,最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力.     

基于LS-SVM的交通流量时间序列预测

针对城市交通“智能运输系统”。本文提出了基于最小二乘支持向量机(LS-SVM)方法的交通流量时间序列预测，并给出了基于最小二乘支持向量机方法的算法，与传统的神经网络相比，此方法简单易实现．通过实验表明。此方法确实效果好，能取得较好的预测效果。     

基于LSSVM的小电流接地故障融合选线

小电流接地系统单相接地故障选线是尚未解决的一大难题。传统的单一故障选线方法都有其各自的适用范围,故障选线准确率不高。在此基础上,提出利用最小二乘支持向量机(LSSVM)对多种选线方法进行信息融合。分别利用小波包变换和FFT算法,从零序电流中提取暂态能量分量、稳态基波分量和五次谐波分量,形成故障选线的特征分量。作为LSSVM的输入进行信息融合。从而实现故障选线。仿真结果表明:与标准的SVM相比,该方法学习速度更快、泛化能力更强,且不受接地电阻、故障初始角、故障距离等的影响。选线结果具有较高的精度。     

基于最小二乘支持向量机的网络流量预测

为了提高网络流量预测准确性,将最小二乘支持向量机应用于网络流量预测。介绍了最小二乘支持向量机的原理与方法,并将该模型应用于实际网络流量预测计算。结果表明,该方法能有效地进行流量预测,相对于BP神经网络和ARMA模型方法,该方法具有更好的预测精度。     

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。