混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和LS-SVM的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型;通过对实际数据的仿真,结果表明所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

建设工程项目工序的LS-SVM工期预测模型

鉴于传统工期预测的模糊性和随机性,分析影响工程项目工期的因素及参数的获取方式.采用最小二乘支持向量机(LS-SVM)构建建设工程项目工序工期的预测模型,并用工程实例论证方法的有效性.结果表明,对类似工程或者同一工程项目的类似工序的进度执行状况进行学习,采用LS-SVM的工期预测模型预测即将开展的工程项目的工序工期,符合实际工期控制的要求.与基于BP神经网络工期预测模型对比分析,LS-SVM的工期预测模型的预测误差更小,平均训练时间更短,网络总误差更小.     

基于LS-SVM的煤气发生炉关键参数预测

根据煤气炉现场采集的数据,建立一种基于最小二乘向量机(LS-SVM)的预测模型,预测煤气炉关键参数炉出温度、CO2含量。模型以主要工艺参数作为影响因素,以炉出温度、CO2含量为影响对象,建立影响因素和影响对象之间的复杂非线性关系,构造煤气炉参数LS-SVM预测模型,再运用奇异值分解的方法辨识模型参数,最后将模型用于煤气炉参数预测。研究结果表明:该模型能及时跟踪炉况参数的变化,预测结果与实测值较吻合,准确度与处理速度都优于神经网络预测模型,实际预测误差小于2%,可用于煤气炉生产过程的现场操作指导。     

基于GA-LS-SVM的水稻叶片含氮率预测

采用水稻无土栽培方法人为控制含氮率,在水稻某特定生长期,同时测量水稻冠层反射率和叶片含氮率,建立了基于冠层反射率的水稻叶片氮含率的回归预测模型.通过分析不同氮环境下各冠层反射率光谱图,确定了与水稻含氮率相关性高的特征波段.针对最小二乘支持向量机(leastsquares support vector machines,LS-SVM)参数难定问题,采用遗传算法对LS-SVM参数进行优化.试验结果表明,传统人为选定参数的LS-SVM算法模型的平均回判精确率达到97.21%,预测平均误差率达到5.70%,遗传算法最小二乘支持向量机(genetic algorithm least squares support vec-tor machines,GA-LS-SVM)算法模型的平均回判精确率达到99.60%,预测平均误差率达到2.72%.GA-LS-SVM算法模型的回判及预测效果均明显优于人为选定参数的LS-SVM算法.     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

一种新的氧化铝质量分数建模与控制策略

针对氧化铝质量分数的建模与控制问题,提出一种新的基于最小二乘支持向量机(LS-SVM)和预测控制的建模与控制策略。首先,针对LS-SVM建模时的参数选取问题,提出一种基于混沌优化的CHAOS LS-SVM算法获得最优氧化铝质量分数预测模型。然后,提出一种基于LS-SVM的氧化铝质量分数预测控制算法,采用混沌优化在线求解最优控制律。仿真结果表明:CHAOS LS-SVM算法建立的氧化铝质量分数预测模型,其泛化能力要比基于神经网络(NN)的氧化铝质量分数预测模型的强;基于LS-SVM的氧化铝质量分数预测控制算法,其控制精度要比基于NN的氧化铝质量分数预测控制算法的高。     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

基于GCV的LS-SVM模型选择在个人信用评估中的应用

针对个人信用评估中数据海量性以及与影响因素之间的非线性问题,利用最小二乘支持向量机(LS-SVM)中基于GCV准则和Newton-Raphson算法的正则化参数快速选择方法建立新的个人信用风险预测模型.并把该模型与Fisher线性判别分析、Logistic回归以及半参数广义可加模型的判别效果进行了实证比较分析.结果表明该方法不仅具有快速高效的模型选择能力,并且具有较优的判别预测能力.     

基于贝叶斯推理的LS-SVM矿产资源定量预测

针对矿产资源定量预测过程中最小二乘支持向量机(LS-SVM)的参数选择具有主观性和随意性,提出了一种与贝叶斯推理相结合的LS-SVM资源定量预测方法,并将其与证据权法(Wof E)进行了对比.在训练过程中采用贝叶斯推理方法对LS-SVM的参数选择进行优化,进而构建矿产资源定量预测优化模型.研究表明,该方法不但克服了参数选择的局限性,而且以后验概率形式输出预测结果,从而可提高预测精度.     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

基于黎曼度量的最小二乘支持向量机模型选择

针对最小二乘支持向量机(LS-SVM)模型选择效果不稳定、易于过学习的问题,提出了一种基于黎曼度量的模型选择方法.首先,基于信息几何理论,证明了LS-SVM模型泛化能力受样本点二阶协变张量的影响;其次,进一步证明了同时最小化所有样本点的黎曼度量之和与权重向量的L2范数即可提高模型泛化能力;在此基础上,将LS-SVM模型选择转换为一个多目标优化问题,引入多目标粒子群算法选取最优超参数.采用仿真与真实UCI数据集对所提方法进行了对比实验,结果表明,与传统LS-SVM与基于留一法模型选择的LS-SVM相比,所提方法可以取得更小的泛化误差,同时数值稳定性更好.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题, 结合棉针织物的染色机理, 基于最小二乘支持向量机（LS-SVM）建立上染率模型并进行预测. 将提出的方法与BP神经网络法进行比较, 试验结果表明前者具有更高的预测精度, 验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题,结合棉针织物的染色机理,基于最小二乘支持向量机(LS-SVM)建立上染率模型并进行预测.将提出的方法与BP神经网络法进行比较,试验结果表明前者具有更高的预测精度,验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

油气生产过程综合能耗混合建模方法

为准确预测油气生产过程中的能源消耗,通过对油气生产过程分析,确定了过程的主要能耗指标,提出了一种机理模型与最小二乘支持向量机(LS-SVM)相结合的混合建模方法.通过对油气生产过程及各子过程之间关系的分析,建立了该过程综合能耗的机理模型,并利用LS-SVM对机理模型不能描述的误差特性进行补偿.仿真结果表明,该方法能够准确地预测油气生产过程的综合能耗,其预测性能优于机理模型和LS-SVM构建的数据模型,且具有较好的稳定性和可靠性,将其应用到某采油作业区的实际生产过程,取得了满意的效果.     

基于主成分-LS-SVM的教学质量评估模型

给出了基于主成分与LS-SVM的教学质量评估模型,先采用主成分分析对其影响因素作评价和预处理,然后构建LS-SVM模型,为了便于比较,同时利用单一的LS-SVM模型对教师教学质量进行模拟与预测,并在Matlab中实现.结果表明,基于主成分与LS-SVM的教学质量评估模型较单一的LS-SVM模型具有更加理想的精度,得到了...     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

湿法冶金中预测金产量的混合建模方法

由于缺乏有效的检测手段,无法实现湿法冶金全过程金产量的精确在线检测.提出了一种最小二乘支持向量机(LS-SVM)与湿法冶金全过程静态机理模型相结合的混合建模方法,用以预测金的产量.通过对湿法冶金全过程的机理分析,利用物料衡算关系建立金的产量静态机理模型,利用LS-SVM对机理模型不能描述的过程特性进行误差补偿.仿真结果表明,该方法的预测性能优于机理模型和单独的LS-SVM构建的模型,验证了该方法的有效性.     

基于人工免疫算法的网络安全态势预测

网络安全态势预测能基于管理者提供的历史信息和当前时刻的网络安全态势,对未来时段的网络安全态势进行预测。为了有效实时地进行网络安全态势预测,提出了一种基于人工免疫算法的网络安全态势预测方法。首先,建立基于神经网络的网络安全态势预测模型,然后通过BP反向传播算法对网络进行训练,在此基础上,采用人工免疫算法来优化网络的结构和神经网络的态势预测值,该算法对亲和度函数、抗体的复制和抑制方法等均进行了设计。在KDDCUP99数据集中,对所提方法进行了验证,实验结果表明该方法能有效进行网络安全态势的验证,并且与其他方法相比,具有更好的检测率。