应用支持向量机的空中交通流量组合预测模型

为了提高空中交通流量预测的准确性,研究了将支持向量机(support vector machine, SVM)应用于空中交通流量预测的方法,建立了基于SVM的自回归预测模型,讨论了模型参数确定等关键问题.在SVM预测模型基础上,将SVM与多项式和鲁棒自回归预测模型结合,提出组合预测模型.利用北京周边空域实测流量数据进行的对比实验结果表明: SVM预测模型的预测误差小于5%, 组合预测模型的预测误差小于2%, 均优于多项式和鲁棒自回归预测模型;组合预测模型的预测精度和稳定性整体上又优于SVM预测模型.     

基于分子形状与电性拓扑状态指数预测烃类物质粘度的研究

基于定量结构性质相关性(Quantitative structure-property relationship,QSPR)原理,以2种Kappa分子形状指数与9种电性拓扑状态指数作为描述符,研究了烃类物质粘度(η)与其分子结构间的内在定量关系。以65种化合物作为样本集,随机选择其中52种作为训练集,剩余13种作为测试集,分别采用多元线性回归方法(Multiple linear regression,MLR)和支持向量机方法(Support vector method,SVM)建立模型进行分析测试。研究结果表明:SVM模型对烃类物质粘度具有很强的预测能力,该方法所得模型在模型拟合和预测能力方面大大优于MLR模型。同时,应用Jackknifed法对SVM模型进行了稳健性检验,进一步说明了SVM对于烃类物质粘度的预测模型的稳定性与可靠性。该研究提供了一种新的预测烃类物质粘度的方法。     

基于IG-SVM模型的供应链融资企业信用风险预测

为了提高对供应链融资中小企业信用风险预测的精度,在通过对中小企业信用风险评价研究基础上集成机器学习算法构建了能够提高信用风险预测的组合模型。该模型采用支持向量机(Support vector machine,SVM)建立供应链中小企业信用风险分类预测模型,并引入信息增益(Information gain,IG)提取对预测结果有显著贡献的特征变量,优化模型特征输入。在与其他模型的对比实验中可知,采用IG-SVM模型预测的测试样本精确度为97.62%,比单一SVM模型精度提高8.97%。采用IG进行特征优化,能进一步提高SVM模型的预测能力。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

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.     

基于AdaBoost的集成支持向量机预测技术仿真

本文结合遗传算法参数优化方法,提出了基于AdaBoost集成支持向量机（SupportVectorMachine或SVM）算法,建立了基于AdaBoost集成SVM预测模型。通过Sinc函数仿真数据,分析了基于AdaBoost的集成支持向量机的预测性能。结果表明,基于Ada～Boost集成预测模型的预测相对平均误差达到1．31％,而SVM预测相对平均误差为279％,提升幅度达到53％,说明集成SVM预测模型具有很高的预测精度。通过对Sinc函数加入不同含量的噪声,发现与改进前的集成SVM算法相比,本文提出的算法具有更强的抗干扰能力。应用该算法,对轴承疲劳寿命实验中轴承振动信号特征量趋势进行预测,结果表明其14步预测的相对平均误差为027％,预测结果良好。     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

基于模糊建模的混炼胶粘度测量

提出了一种在线测量混炼胶粘度的新方法．该方法以模糊建模技术为基础,综合考虑混炼过程各因素对胶料粘度的影响,建立起胶料粘度的在线测量模型．在模糊建模中,采用T-S模型描述胶料粘度变化的非线性过程,提出了一种基于相似性判别的模糊聚类算法以自动确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了规则简化的、具有较高精度的模糊模型．根据此方法,设计了测量装置,并进行了现场试验．试验结果表明模糊模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过1门尼．该方法较大地提高了橡胶混炼的生产效率,为粘度最优控制奠定了基础．     

基于样本数据重抽样的时序数据预报方法

研究时序数据预报和提高预报精度的方法,提出了一种新的利用误差项对时序数据样本进行ＢｏｏｔＳｔｒａｐ重抽样的方法。该方法采用神经网络技术建立时序数据预报模型,并通过重抽样技术提高预报精度。通过ＢｏｏｔＳｔｒａｐ算法与ＢＰ算法的预报偏差平方和比较说明ＢｏｏｔＳｔｒａｐ算法提高了预报精度,将提出的重抽样技术引入时序数据预测中,可提高神经网络的预测精度,并适用于股票价格及外汇交易预测等效应领域。     

复杂工况下的纸浆Kappa值软测量方法

在纸浆Kappa值软测量技术的研究与应用中,发现直接基于经验模型的Kappa值软测量方法在复杂工况应用中预测精度有所下降,针对这个问题,提出了首先利用Daubechies小波变换获得升温过程特征信息来进行工况分类,再进行分类模型预测的方法,以某制浆车间的130组样本数据为对象进行分析,证明了该方法在复杂工况下的预测结果要好于直接基于经验模型的Kappa值软测量方法。     

基于主成分分析-相关向量机的高速公路路基沉降量预测

为解决高速公路路基沉降量难以获取的难题,提出一种基于主成分分析(principal compohent analysis,PCA)的相关向量机(relevance vector machine,RVM)路基沉降量预测方法。通过主成分分析法将多个易获取的土体常规物理参数降维成少数且独立的变量,借助相关向量机模型反映路基沉降量与4个主成分变量之间的非线性映射关系,建立基于PCA-RVM的高速公路路基沉降量预测模型。将该模型应用于工程实例,在同样学习样本情况下与4种神经网络预测模型对比分析,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,将多个影响因素合理化为少数主成分变量,在信息筛选方面明显优于其余4种模型;各模型预测结果显示,在路基沉降量预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势。PCA-RVM模型具有精度高、离散性小、可靠度高等优点,为高速公路路基沉降量预测提供了一种新方法。     

基于RBF神经网络的砂土液化预测

通过分析砂土液化成因及其影响因素,建立了砂土液化预测RBF网络模型,并与BP网络预测模型进行比较。测试结果表明,应用RBF网络模型对砂土液化进行预测,预测效果好,识别精度高．     

小波神经网络在绝缘子漏电量预测中的应用

为了实现对绝缘子漏电量的准确预测，提出了基于小波神经网络的预测模型，分析了网络的拓扑结构，给出了网络学习方法．通过对绝缘子漏电量样本数据进行预处理，生成学习样本和测试样本，进而对预测模型进行测试，实现了对绝缘子漏电量的准确预测．将其应用于电业局的绝缘子漏电量预测中，达到了实际应用的精度要求．实验和实际应用表明，该预测模型的误差小，精确度高，能有效地预测绝缘子漏电量。     

High-precision orbit prediction and error control techniques for COMPASS navigation satellite

A new satellite orbit prediction method based on artificial neural network （ANN） model is proposed to improve the precision of orbit prediction. In order to avoid the difficulty of amending the dynamical model, it is attempted to use ANN model to learn the variation of orbit prediction error, and then the prediction result of ANN model is used to compensate the predicted orbit based on dynamic model to form a final predicted orbit. The experiment results showed that the orbit prediction error based on ANN model was less than that based on dynamical model, and the ent satellites and different improvement effects for differtime were different. The maximum rates of improvement of predicting 8, 15, 30 d were respectively 80 %, 77.77 %, 85 %. The orbit prediction error control technique based on the method of back overlap arc compare was brought forward to avoid the risk that the precision of predicted orbit is even worse after it is compensated by ANN model. The phenomena of failure were basically eliminated based on this technique, and the rate of failure was reduced from 30 % to 5 %. This technique could ensure that the engineering application of ANN model could come true.     

Fatigue Life Estimation Considering Strengthening of Low Amplitude Loads Using Improved Unequal Interval Grey Model

Under variable loading,fatigue life prediction is very important for the selection,design,and safety assessments of these components.In this study,based on the Miner rule,an improved damage accumulation rule was proposed to consider the strengthening and damaging of low amplitude loads.The complexity of fatigue phenomenon results in predicting fatigue life difficulty.Since grey models(GMs)only require a limited amount of data to estimate the behavior of unknown systems,they are used in this paper to account for the uncertainties resulting from various sources when fatigue life of component is predicted.An improved unequal interval GM(IUGM(1,1))has been developed and applied successfully to estimation of fatigue life.An example is used to illustrate how the method works.The results show that the proposed model not only overcomes the limitations of the traditional grey forecasting model of linear change series,but also increases the scope of GM in the fatigue life prediction of mechanical components,and its accuracy is higher than that of the traditional model.Moreover,the results indicate that the IUGM(1,1)is capable of predicting component fatigue life better than the traditional Miner rule,and yields a high prediction precision.     

基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

A new model for the life prediction of GH4133 under TMF conditions

Thermal mechanical cyclic strain tests were carried out under in-phase and out-of-phase conditions on a Nickel-base Superalloy GH4133 in the temperature range of 571-823℃. Based on analyzing the present models of TMF (thermal mechanical fatigue) life prediction, a new model for predicting nickel-base superalloy TMF lifetime was proposed.TMF life of superalloy GH4133 was calculated accurately based on the new model. Experimental TMF life has been compared with the calculatedresults and all results fall in the scatter band of 1.5. The calculating results show that the new model is not only simple, but also precise. This model will play great roles in life prediction of the metal materials and the engineering components subjected to non-isothermal service conditions.     

基于贝叶斯优化高斯过程回归法的再生混凝土力学性能预测

为了更准确地预测再生骨料混凝土的抗压强度与弹性模量,建立了一个比以往研究大的数据库,具有730组数据,为建立可靠的预测模型奠定了基础。提出了贝叶斯优化的高斯过程回归方法,选取再生粗骨料体积分数、水灰比、混合粗骨料吸水率、细骨料与总骨料比、粗骨料与水泥比、混合粗骨料饱和表面干密度等6个参数作为影响因素,同时建立了再生骨料混凝土抗压强度和弹性模量预测模型。通过比较抗压强度、弹性模量的预测值与实验值,发现二者较为接近,说明该方法具有一定的可靠性。将贝叶斯优化的高斯过程回归与高斯过程回归、支持向量机回归、随机森林回归、人工神经网络进行比较,并选取4个统计指标对模型进行评价,结果表明贝叶斯优化的高斯过程回归预测抗压强度和弹性模量精度较高,相关系数分别达到了0.91和0.93。这说明贝叶斯优化的高斯过程回归方法对预测再生骨料混凝土的抗压强度和弹性模量同时适用。