基于CCIPCA-LSSVM的文本自动分类算法

特征具有高维、稀疏性。为提高了文本自动分类准确率,针对PCA提取特征需要对大规模文本进行批处理,影响文本的准确率等,提出一种基于增量主元分析方法(CCIPCA)和最二小乘向量机(LSSVM)相结合的文本自动分类算法(CCIPCA-LSSVM)。首先通过互信法选择文本特征,然后采用CCIPCA高维文本特征进行提取,降低特征维数,消除冗余特征,最后采用LSSVM对提取特征进行学习,并通过粒子群算法对分类器优化,建立最优文本自动分类模型。仿真结果表明,相对于其它文本分类算法,CCIPCA-LSSVM提高了文本分类准确率和召回率,解决了文本特征提取过程存在的难题。     

预测AL2O3粒子衰减特性的LSSVM方法

应用最小二乘支持向量机建立了Al2O3粒子衰减特性预测模型,引入微粒群算法解决了模型多参数优化问题,结合辐射传输数值求解方法获得了吸收散射性介质的红外辐射特性.比较结果表明,该方法具有较好的预测能力,在保证模拟结果精度的同时提高了运算速度.     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

组合最小二乘支持向量机与粒子群优化算法研究黄土湿陷性

通过静力触探试验指标结合扰动黄土试样的液限、塑限及含水量等指标用最小二乘支持向量机方法进行建模,提出了静力触探试验指标和湿陷系数的非线性关系模型,并引入粒子群优化算法进行模型反演分析,确定最优参数。通过6个对比勘探点的50组试样实例应用分析,显示了最小二乘支持向量机是一种较为有效的非线性建模方法,粒子群优化算法进行模型参数优化能够保证全局最优。验证结果表明模型的精度较高,有一定的实用价值。     

基于粒子群最小二乘支持向量机的瓦斯含量预测

针对经验模型与确定性模型在应用中受到限制问题,采用基于统计学习理论的支持向量机对经验数据进行学习,建立瓦斯含量与其影响因素之间的映射模型,从而实现煤层瓦斯含量预测.支持向量机的惩罚因子和核参数取值不同将会明显影响其预测的精度,支持向量机本身也没给出解决的办法,引入粒子群算法自动搜索支持向量机参数.该方法克服了神经网络过学习问题和支持向量机人为选取参数的盲目性问题.通过对某矿区样本的学习预测研究,表明该方法可取得良好的预测效果,具有较好的适应性.     

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。     

基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多面复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础.借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型.在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制.仿真结果表明:该方法能够比较准确地列火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于LSSVM和D-S的遥感图像分类方法

为了提高遥感图像的识别率,提出一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和证据理论(Dempster-Shafer theory,D-S)的遥感图像分类方法.该方法首先分别提取遥感图像的纹理和颜色特征,然后分别对纹理和颜色特征采用LSSVM建立分类模型,并得到相应特征的分类率,最后把单一特征分类正确率输入到D-S证据理论对它们进行融合,从而得到它们的权值,并根据权值得到遥感图像的最终分类结果.仿真结果表明,该方法不仅提高了遥感图像的分类率,而且还加快了遥感图像分类的速度,从而使得该方法在地理信息系统具有一定的应用价值.     

基于PCA-PSO-LSSVM钢筋锈蚀程度预测研究

钢筋锈蚀是混凝土结构破坏的主要原因之一,通过研究钢筋锈蚀情况,进而分析混凝土构件的耐久性,对提高建筑物的使用寿命来说,具有非常重要的现实意义。钢筋锈蚀受多种因素影响,但传统的钢筋锈蚀检测法容易受到人为和条件因素的干扰,进而产生较大的误差,因此构建一种钢筋锈蚀预测模型,可以快速地进行钢筋锈蚀程度的预测。通过钢筋锈蚀实验获得了23组实测数据,建立基于钢筋中间距、保护层厚度、裂缝宽度、锈蚀电流和锈蚀直径5个因素的预测指标体系,通过主成分分析（PCA）对数据进行降维处理,建立最小二乘支持向量机（LSSVM）模型对钢筋锈蚀率进行预测,选用粒子群算法（PSO）寻找出LSSVM中正则化参数和核函数宽度系数的最优参数组合。结果表明,PSO-LSSVM模型的平均绝对误差和均方根误差为1.88%和1.94%,并同BP神经网络、未优化的LSSVM模型的预测结果做对比分析,验证了该模型的预测精度更高,为复杂环境下的钢筋锈蚀情况监测提供了一种新的途径。     

生物油催化酯化过程中乙酸转化率的智能预测

以生物油乙酸转化率为提质指标,选用固体超强酸SO42-/SiO2-TiO2对生物油催化酯化进行了实验研究.考察了不同的实验条件,即反应温度、酸醇量比、催化剂用量等对酯化反应的影响,在实验的基础上,运用最小二乘支持向量机建立乙酸转化率智能预测模型,并选用自适应粒子群优化算法对最小二乘支持向量机进行了参数优化.实验结果表明,最佳的生物油酯化工况为反应温度80℃、酸醇量比1.6和催化剂用量为7.5%.通过15个检测样本的检验,发现最小二乘支持向量机预测的平均相对误差能够降低到9.7%,其性能优于常用的BP神经网络与RBF神经网络,最小二乘支持向量机法更适合于预测生物油酯化过程中乙酸的转化率.     

基于PCA PSO LSSVM的综合管廊投资估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

基于PSO优化LSSVR的三维WSN节点定位方法简

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于最小二乘支持向量机的人脸识别算法

通过计算机对人脸进行分析,从而确定身份的技术统称为人脸识别,其具体内容包括图像预处理、特征选择和提取、分类。首先介绍了支持向量机和最小二乘支持向量机的基本思想和数学模型,推导了最小二乘支持向量机的算法步骤,在对人脸图像进行预处理的基础上,采用奇异值分解扩展算法提取人脸特征,然后再采用上述算法对人脸图像进行分类。通过实验可知本文中的算法可以对人脸图像进行有效分类,对解决小样本分类问题是有效的、可行的。     

最小二乘支持向量机在深基坑变形预测中的应用

为分析深基坑在开挖过程中的变形规律,为安全生产提供有效信息,采用最小二乘支持向量机理论,利用粒子群算法对支持向量机的核参数进行优化,建立深基坑水平位移预测模型,并将预测结果与实际监测结果进行对比.研究结果表明:优化后的最小二乘支持向量机模型收敛速度快,泛化能力强,预测结果与实际监测数据有很好的一致性,精度高于传统的预测模型,对深基坑安全监控有一定的实用价值.     

基于自适应变异SAPSO-LSSVM的轨道电路故障诊断

针对传统无绝缘轨道电路故障诊断精度不高与诊断结果不稳定的问题,提出一种将模拟退火(Simulated Annealing,SA)算法和粒子群最小二乘支持向量机(PSO-LSSVM)相结合的方法,并用其进行故障诊断.借鉴遗传算法(Genetic Algorithm,GA)中的变异思想,在SA算法中引入简单变异算子,提出动态自适应变异SAPSO算法,以克服传统粒子群算法易陷入局部最优的问题.利用自适应变异SAPSO算法对改进LSSVM核函数的惩罚因子和核函数参数进行优化,避免故障诊断结果不稳定.最后通过仿真将本文算法与近几年比较先进的几种算法进行对比.仿真结果表明:本文算法对无绝缘轨道电路的故障诊断准确率更高、诊断结果更稳定.     

基于黑洞算法的LSSVM的参数优化

采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化,提高LSSVM的预测性能.黑洞算法模拟自然界黑洞,吸引一定范围内的星体向其运行并吸收它们;算法在运行过程中,始终保持黑洞为最优解,通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测,并对二者进行了仿真研究.仿真结果证实,黑洞算法可以更好地实现LSSVM参数的优化搜索,且基于黑洞算法的LSSVM方法具有更高的预测精度.