基于聚类分区和MO-LSSVR的高拱坝变形预测模型

为解决传统单测点监控模型未考虑多测点间的内在关联,难以反映高拱坝变形区域分布特征的问题,提出了基于聚类分区和多输出最小二乘支持向量回归机(MO-LSSVR)的高拱坝变形预测模型。模型基于测点之间的复合相似性指标,借助层次凝聚聚类(HAC)算法实现空间测点的聚类分区,再利用融合测点关联特性的MO-LSSVR对分区内多测点进行建模。工程实例验证表明,模型聚类分区结果与坝体变形空间分布特征较吻合,具有较高的准确性和稳健性,为从多测点关联维度预测坝体变形和监控大坝整体安全性态提供了一种新方法。

基于改进LSSVR的电子商务信用风险评估

由于电子商务具备诸多新型的产业特征,而现有的风险识别工具关注传统行业的产业发展,无法有效地评估电子商务这一新兴产业的风险情况。为防备电子商务企业可能出现的信用风险,提出了一个基于支持向量机的LSSVR风险识别模型,并采用我国18家上市电子商务企业的数据进行了实证分析。结果表明,该方法具备较强的实践价值和风险预测能力,相较于传统LSSVR方法计算速度更快,所需参数更少,能够提升电子商务信用风险的评价效率。

基于网络搜索数据的GDP组合预测研究

网络搜索数据(Web Search Data, WSD)是研究宏观经济现象的重要微观信息依据。从需求、供给与政策环境等方面选取和筛选关键词来合成网络搜索指数,采用金枪鱼群(Tuna Swarm Optimization, TSO)算法优化的最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)模型,对GDP进行预测。结果表明,网络搜索指数与GDP具有强相关性,合成的网络搜索指数能较好地反映GDP的波动走势;网络搜索数据的加入使得预测结果呈现出强时效性,预测效果及预测精度都取决于对最优模型的选择,引入参数智能优化算法可提高模型的预测性能。提出的TSO-LSSVR&WSD模型充分利用网络搜索数据及组合预测优势,提高了GDP的预测精度和时效性,可应用于宏观经济指标预测中。

导数同步荧光光谱-小波-SGA-LSSVR联用快速测定鸭蛋蛋清中新霉素残留含量

新霉素在巯基乙醇存在的条件下与邻苯二甲醛生成的衍生物具有强荧光特性,可实现鸭蛋蛋清中新霉素残留含量的荧光测定。在模型建立过程中,分析了波长为280～390 nm光谱范围内的三维同步荧光光谱,确定检测鸭蛋蛋清中的新霉素含量的最佳波长差Δλ为110 nm;然后利用db10小波的2层分解对一阶导数同步荧光光谱进行去噪处理,并利用分段遗传算法(SGA)优选出了14个特征波长;最后应用最小二乘支持向量回归(LSSVR)建立了鸭蛋蛋清中的新霉素含量的预测模型,其模型预测集的决定系数(R2)和预测均方根误差(RMSEP)分别为0.9671和1.713。结果表明,SGA能有效提取出鸭蛋蛋清中新霉素对应的特征波长,有利于提高LSSVR模型预测精度,可实现鸭蛋蛋清中新霉素残留含量的快速测定。

基于果蝇优化算法的LSSVR干燥速率建模

回转干燥窑由于干燥速率难以在线测量,其干燥速率模型的建立一直是一大难题。在分析干燥速率建模的基础上,提出将最小二乘支持向量机运用到干燥速率建模,及其基于免疫-果蝇优化算法的最小二乘支持向量机回归参数优化方法(IAFOALSSVR)。首先利用预处理的干燥过程数据进行模型的训练,利用免疫-果蝇算法对模型参数进行寻优,然后获得最优参数并建立最优模型,通过使用该改进方法建立干燥速率模型与其他算法优化的模型进行对比,结果表明该优化方式在干燥速率建模精度上与其它智能算法相当,在计算效率上要优于其它算法。

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.

鸭肉中金霉素残留量LSSVR-同步荧光法测定

为实现鸭肉中金霉素残留含量的快速测定,提出了应用同步荧光法结合最小二乘支持向量回归(LSSVR)来建立鸭肉中金霉素残留含量的定量分析模型。首先应用三维同步荧光法对波长250～450 nm的同步荧光光谱进行分析,确定检测鸭肉中的金霉素含量的最佳波长差Δλ为70 nm;然后使用sym8小波的2层分解对原始同步荧光光谱进行光谱预处理,对预处理后的光谱采用遗传算法(GA)结合交互验证均方根误差(RMSECV)方法选择了16个波长作为检测模型的输入特征向量;最后对LSSVR、BP和SVM_SteveGunn 3种模型进行性能比较,以LSSVR模型的预测效果最好,其预测集的决定系数R2和预测均方根误差分别为0.9491和2.5660。试验结果表明,同步荧光法结合LSSVR模型检测鸭肉中的金霉素残留含量是可行的。

LSSVR在电子设备电磁脉冲场耦合建模中的应用

针对现有机理建模算法普遍存在计算过程复杂的问题,研究了最小二乘支持向量回归机在电子设备电磁脉冲场耦合建模中的应用。先利用稳压电源在吉赫兹横电磁波室内对矩形脉冲场感应得到的耦合电压数据,对电磁脉冲能量耦合传递函数进行最小二乘支持向量回归机建模,并基于模拟退火算法、遗传算法2种典型算法对模型进行了参数优化,再运用建立的模型对耦合电压进行了仿真预测。通过对比表征模型回归能力的拟合度、均方误差2个重要参数证明,利用模拟退火算法优化的最小二乘支持向量回归机,建立的矩形脉冲场耦合模型与实际数据的拟合度更高,均方误差更小,而计算过程得到了简化,是一种简便有效的工程仿真建模手段。

时延系统中T-LSSVR动态软测量建模方法研究

针对工业过程中由于系统存在延时导致软测量模型难以建立、模型精度偏低等问题,提出将系统延时(T)与最小二乘支持向量回归机(LSSVR)相结合,构建一种基于T-LSSVR的动态软测量建模方法;该方法在建模过程中利用互相关函数与一阶广义差分算法辨识得到"静态响应延时"和"动态响应延时",通过软测量手段对变量进行预测以实现辅助变量对主导变量的最佳估计。对某化工企业具有此类双延时性质的系统进行实验,实验结果表明该建模方法在动态和稳态数据预测方面都有良好的预测效果。

基于KDDA和SFLA-LSSVR算法的WLAN室内定位算法

针对接收信号强度(received signal strength,RSS)的时变性降低WLAN室内定位精度的问题,提出了一种基于核直接判别分析(kernel direct discriminant analysis,KDDA)和混洗蛙跳最小二乘支持向量回归机(SFLA-LSSVR)的定位算法,该算法通过核函数策略将采集的各接入点(access point,AP)的RSS信号映射到非线性领域,有效提取了非线性定位特征,重组定位信息,去除冗余定位特征和噪声;然后采用LSSVR算法构建指纹点定位特征数据与物理位置的映射关系模型,采用SFLA算法优化该关系模型的参数,并用该关系模型对测试点的位置进行回归预测.实验结果表明:提出算法在相同的采样次数下的定位精度明显优于WKNN,ANN,LSSVR算法,并且在相同的定位精度下,采样次数较大减少,是一种性能良好的WLAN室内定位算法.

基于改进GM-LSSVR 模型的郑州市用水量预测

准确的用水量预测是响应国家高质量发展的重要抓手,也是城市水资源优化配置的基础。针对用水量序列存在波动性、灰色模型与所需因素存在线性关系等问题,提出了一种基于HP滤波分解的GM-LSSVR预测模型,即先采用灰色关联分析法筛选合适的用水量影响因素,再利用HP滤波分解法将筛选的用水量及影响因素分解为长期趋势序列和短期波动序列,最后通过GM-LSSVR组合模型来预测用水量。以郑州市为例,使用该模型预测2001-2019年用水量,并与GM(1,N)模型、BP神经网络模型的预测结果进行对比。结果表明,基于HP滤波分解的GM-LSSVR预测模型预测精度大大提高,具有可行性与实用性,可以较好地应用于城市用水量预测研究中。

基于DBSCAN-GRNN-LSSVR算法的WLAN异构终端定位方法

针对WLAN室内定位系统中异构终端(指纹库终端和测试终端)引起的定位偏差过大的问题,提出一种基于DBSCAN-GRNN-LSSVR算法的解决方案。使用最小二乘支持向量回归机(LSSVR)构建指纹库终端接收信号强度(RSS)和物理坐标位置的映射关系模型;列出校准点处异构终端采集的RSS值,得到散点图;用基于密度聚类方法剔除边界点和噪声点;用广义回归神经网络构建异构终端RSS的映射函数;通过LSSVR模型定位测试点的位置。实验结果表明,与只用LSSVR算法相比,测试终端定位精度提高18%～40%,有效解决了定位偏差过大的问题。

基于IHS_LSSVR的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_LSSVR的网络安全态势预测方法。对和声搜索算法(HS)的原理进行了研究,在该基础上提出一种改进的和声搜索算法(IHS)。将最小二乘支持向量回归机(L-SSVR)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取LSSV-R的参数,在一定程度上提升了LSSVR的学习能力和泛化能力。仿真实验表明,通过与已有的其他预测方法作对比,该方法具有更好的预测效果。

基于改进的质心定位的LSSVR算法的设计

针对无线传感中基于质心算法的节点定位存在误差比较大,算法效率低的缺点,提出了一种基于加权的LSSVR的节点定位算法;首先,对未知节点构建节点序列相关度,采用Kendall的Tau指标来估计未知节点的位置,提高了未知节点的定位精度,其次引入了LSSVR概念,构建改进质心算法的LSSVR定位模型,降低了噪声影响,大幅度提高定位精度;仿真实验表明该算法与基本的LSSVR算法在定位精度上有了明显的提高,在锚节点,未知节点所占比例不断增大的情况下该算法定位精度具有很大的提高,降低了算法的计算复杂度,具有较高的应用价值。

基于改进混沌理论和ACPSO-LSSVR的短期负荷预测

针对现有混沌理论中嵌入维数和延迟时间的选取难以达到最优,局域预测时邻近预测点的选取不够准确,提出了改进的混沌理论:采用改进的C-C法找到嵌入维数和延迟时间;邻近预测点的选取根据参考相点的演化趋势进行判断。针对最小二乘支持向量回归机LSSVR参数难以确定,提出ACPSOLSSVR:自适应混沌粒子群ACPSO一方面能根据群体早熟收敛程度和个体自适应值来调整惯性权重,另一方面能根据混沌变量的随机性和遍历性进行粒子的初始化,加快优化过程,防止局部极小。采用ACPSO来优化LSSVR的待选参数,提高负荷预测的精度。实例分析验证了该方法的可行性和实用性。

基于特征空间重构的差分-LSSVR短期电煤价格预测

掌握电煤价格变化关系到企业参与电力市场的定价策略以及优化内部运行成本的方针制定。针对导致煤价变化的影响因子数量众多且影响权重变化频繁的难题,在煤价影响因素精细化分析、因素检验与季节差分等方法对特征空间重构的基础上,建立中短期煤价最小二乘支持向量机模型。依据计量经济学等理论筛选煤价相关影响因素,并利用协整检验及格兰杰检验提取主要影响因素压缩特征因子维度;通过建立多年同期对比时序信息数据集,利用季节性差分消除时序信息中周期性因素以及随机干扰的影响,实现特征空间重构,改善输入数据质量。建立基于LSSVR的趋势提取学习模型,并结合周期价格及残差,实现中短期的煤炭价格预测。构建多个对比模型,验证了所提模型的有效性。

基于GA—LSSVR的残差生成器设计

设计了基于最小二乘回归型支持向量机(LSSVR)的系统残差生成器,并引入遗传算法(GA)对LSSVR的参数进行优化,通过残差生成器生成的残差可以对系统状态进行有效识别。仿真实验表明:基于遗传优化的LSSVR可以高精度地模拟系统的动态特性,进而生成高精度的故障残差,有效地保证了故障诊断的准确性。

基于二次分解与IGWO-LSSVR模型的超短期风速预测研究

针对风速序列的非线性导致预测精度不高的问题,提出了一种基于二次分解技术和改进灰狼算法的风速预测模型。首先,利用该模型对风速序列进行完备经验模态分解(CEEMD),并且对复杂度过大的前3个分量采用变分模态分解(VMD)进行二次分解;然后,对分解后的各个分量采用改进灰狼算法(IGWO)优化最小二乘支持向量回归(LSSVR)进行风速预测得到各个分量的预测值;最后,将各个分量预测值相加得到风速的预测结果。结果表明,二次分解技术能有效降低子分量的复杂度;改进的灰狼算法能有效提高算法寻优能力,提高风速预测准确性。

聚类加权PSO-LSSVR的模拟电路性能在线评价策略

针对模拟电路性能在线评价中现场数据采集不可避免产生错值和干扰的问题,运用模糊C-均值聚类(FCM)方法,根据数据特征将电路模型分为多个子模型,同时对子模型样本进行加权;利用标准支持向量机(LSSVR),结合粒子群算法(PSO)对于参数优化的优越性,实现对于错值、干扰参数的有效抑制。考虑到传统的离线评价策略在训练样本组发生变化时,存在模型不能适时调整等问题,引入增减交互更新设计,实现模型的快速在线更新。实验以高效模拟电路实验为依托,采用近两年内由精密仪器设备测评所得的传统的OTL放大电路的八项技术指标构建训练集,建立PSO-LSSVR的组合模型进行在线评价。结果表明:该方法能有效处理错值和干扰所带来的回归偏差,性能优于传统LSSVR法、ε-SVR法,评价精度与精密仪器性能评价精度近乎相同,同时具有运算速度优的优势。仿真实验进一步验证了模拟电路性能评价方法 PSO-LSSVR的有效性。

基于非结构化数据的LLE-WOA-LSSVR碳价格组合预测模型

在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归(locally linear embedding-whale optimization algorithm-least squares support vector regression,LLE-WOA-LSSVR)碳价格组合预测模型,通过LLE算法对非结构化的高维数据进行降维处理,并利用LSSVR进行预测。考虑到LSSVR模型中参数的选取会对预测结果产生影响,引入WOA算法优化模型中的参数。碳价格预测的实例结果表明,LLE-WOA-LSSVR预测模型可行且有效。