结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。[结果]提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R^(2))为0.973920,均方根差(RMSE)为0.003012,平均绝对误差(MAE)为0.002105。[结论]使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。

基于SARIMA-SVR模型的铁路货运量预测方法

鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。

基于Bagging-WOA-SVR的粮堆温度场预测模型

采用阵列式分布的测温电缆检测粮仓温度变化情况,利用机器学习技术来预测粮食温度,用粮仓1年监测数据来预测粮堆未来27 d温度。传统的BP、RBF、RF、SVR单模型对粮堆温度进行预测存在误差大、泛化能力差等缺点,提出一种基于Bagging集成的鲸鱼算法优化支持向量回归模型(Bagging-WOA-SVR),并与灰狼算法优化支持向量回归模型作比较。将影响粮堆温度的多种因素做灰色关联分析,选取粮仓内温度、粮仓内湿度、粮仓外温度、粮仓外湿度、粮仓平均温度、地表温度作为神经网络的输入,粮堆平均温度作为预测输出,选取3个指标为评判标准,对比分析模型预测精度。结果表明:提出的Bagging-WOA-SVR模型相比之下有着较好的稳定性,均方误差为0.24,相关系数为0.9892。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

融合GWO和SVR的建筑安全事故预测模型

当前建筑业迅速发展,但随之而来的是频频发生的建筑安全事故,造成不可逆转的损失和伤害。虽然近些年来在建筑安全事故控制方面的研究已取得一定的成果,但建筑安全事故仍未得到有效控制。针对建筑业市政工程安全事故总数和死亡人数,探究二者之间的关系,构建灰狼优化算法-支持向量回归机(Grey Wolf Optimization and Support Vactor Regression,GWO-SVR)组合模型,收集2008—2020年每个月的建筑安全事故数据及死亡人数数据集,发现二者之间成正向相关关系,以建筑安全事故数为特征对建筑死亡人数进行预测,精度达到95%以上,对建筑安全资源与人力投入有较大参考价值,有助于提升建筑安全管理水平。

基于宏观因子的SVR-Black-Litterman资产配置模型及其实证研究

随着全球经济不稳定性的增强和我国利率市场化的深入推进,金融资产的波动性不断加剧,资产组合优化配置问题依然是金融投资理论研究和实务领域的核心问题。Black-Litterman模型因其解决了传统均值方差模型对参数敏感的问题,且允许将投资者观点融入模型中,已被广泛应用于资产配置实践中。然而投资者观点矩阵的确定一直是Black-Litterman模型理论和应用研究的难点。将宏观因子融入投资者观点矩阵,应用基于主成分分析法的支持向量回归(SVR)模型实现观点矩阵的估计,构建融入宏观因子的SVR-Black-Litterman资产配置模型。为检验模型的有效性,将该模型与经典模型进行比较。实证结果表明,所构建的模型具有较好的市场表现。

基于DBO-SVR算法的爆破振动预测比较研究

为提高预测精度和适应性,基于梅山铁矿的爆破工程,提出了一种基于蜣螂算法优化的支持向量回归(Dung Beetle Optimize Support Vector Regression,DBO-SVR)模型用于爆破时质点峰值振动速度(Peak Particle Velocity,PPV)预测,使用皮尔逊热图分析各特征与PPV的相关性,并使用均方误差和决定系数作为模型评估指标,对比分析DBO-SVR,DBO-XGB,SVR,XGB四个算法的预测结果,四个算法的均方误差分别为0.028,0.152,1.084,0.226,决定系数分别为0.985,0.917,0.408,0.877。研究结果表明,DBO-SVR算法的预测效果优于其他几个模型;DBO-SVR算法模型综合考虑了多个爆破设计参数对PPV的影响,极大缩短样本数据的训练时间,并加快模型的收敛速度以满足实际爆破振动的速度预测要求,预测结果更精确,误差更小,可为类似爆破工程的峰值振动速度的预测提供参考。

基于SVR模型的两轮自平衡小车平衡控制与抗干扰研究

针对两轮自平衡小车的平衡控制和抗干扰问题,提出基于支持向量回归机器学习方法的平衡控制器方法。分析了两轮小车的力学模型,将状态向量和控制向量运用到非线性支持向量回归算法(ε-SVR),利用LIBSVM软件对所采集样品进行训练,获得高精度的SVR模型,其中样品数据由搭建的传统闭环串级PID控制器运行得到。经过Matlab仿真测试,该模型控制器的平衡响应优于PID控制和极点配置法,最后制作了小型样车,验证了SVR模型在动态平衡和自抗干扰下存在相对优势。

基于麻雀搜索优化SVR模型的房地产价格研究

为解决传统经济指标作为房价影响因素的数据获取滞后性问题以及机器学习模型在预测房价时存在的参数选取不确定性问题,文中以网络搜索数据作为房价指数解释变量,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)建立SSA-SVR(Support Vector Regression)模型对SVR的惩罚因子C和RBF(Radical Basic Function)核函数的参数g进行优化。将SSA-SVR模型与PSO(Particle Swarm Optimization)-SVR、GA(Genetic Algorithm)-SVR、WOA(Whale Optimization Algorithm)-SVR、GS(Grid Search)-SVR以及基准SVR进行对比,SSA-SVR的相关系数(0.99)、均方根误差(6.71)、平均绝对误差(5.24)、均方误差(45.13)以及平均绝对百分比误差(0.26%)均优于其他5种模型。结果表明,麻雀搜索算法优化的SVR模型在房价预测方面具有更好的全局寻优能力,可以提高模型的预测准确度和预测能力。

PSO-SVR模型在吉林省干旱指数预测中的应用

随着气候变暖程度愈加严重,干旱问题成为我国农业生产的一大威胁,严重妨碍我国农业生产的发展,因此掌握科学预测干旱指数的技术,可以为未来旱情提供预防建议,防止旱情进一步扩大,进而保障粮食安全。基于吉林省40个地区的气压、气温、降水量和相对湿度等多个气象因子及SPEI指数,对其未来干旱指数进行预测,比较BP模型、RF模型、SVR模型及经过优化的PSO-SVR模型的4个误差指标,发现PSO-SVR模型表现最为优异,R2达到0.964,MSE达到0.021,优于其他3个模型,拟合效果更为显著。结果显示,PSO-SVR模型在吉林省SPEI指数的预测中表现出极高的可行性和准确性,其出色的性能为吉林省的防旱减灾研究提供强有力的理论支持。

基于非等权聚类混合PSO-SVR的短期空气质量预测模型研究

为提高短期空气质量预测(SAQF)水平,合理预测空气质量指数(AQI),本研究基于全国495个城市的气象数据,运用PSO-SVR算法构建了一种新的混合预测模型。混合PSO-SVR不仅对数据进行了非等权的降维处理,又兼顾了数据的非线性特征,研究结果表明构建的非等权聚类混合PSO-SVR模型输出结果的RMSE和MAPE平均值优于传统SVR,GA-SVR,BPNN,XGBoost和LSTM模型,验证了本研究提出的模型优越性及带来的研究价值;探究经济社会环境中工业化和城市化因素对AQI造成的影响,统计9个城市空气质量预测误差率在10%以内的占比超过了70%,进一步验证该模型可提高空气质量的预测精度,从而使空气质量指数更好地服务政府管理者和城市居民等相关群体。

基于SSA-SVR的光纤压力传感器温度补偿研究

针对光纤压力传感器存在的温度漂移问题,提出了基于麻雀搜索算法优化的支持向量回归(SSA-SVR)的温度补偿模型。对光纤压力传感器进行标定实验,并采用温度传感器LM35实时检测其工作温度,进而建立SVR温度补偿模型。利用SSA优化SVR的超参数,以改善温度补偿模型的补偿精度。研究结果表明,利用基于SSA-SVR的温度补偿模型对光纤压力传感器进行温度补偿后,其灵敏度温度系数和相对误差系数均提高了两个数量级,而最大绝对误差和最大相对误差只有0.5004 kPa和0.2501%,达到了温度补偿的目的。

基于GA-SVR模型的肌力康复电刺激系统的设计研究

为了实现康复电刺激系统治疗参数的个性化定制及实时调整,提出了一种基于调制中频电刺激的下肢肌力康复闭环电刺激系统。设计低频调制中频刺激电路,基于遗传算法建立了电刺激参数与膝关节角度之间的支持向量机回归预测模型,并搭建基于模糊内模控制PID的闭环反馈系统,以达到更精确稳定的参数设置效果。通过膝关节运动实验表明,被试者在无痛感的前提下更接近预期的关节运动轨迹,30组膝关节运动角度与预期值最大均方根误差为10.21°,最小均方根误差为5.48°。相比传统低频电刺激,肌电平均振幅具有20μV以上提升。本文提出的电刺激系统参数可实现因人而异,且可根据闭环反馈结果进行实时调整,该系统能有效活化肌肉、提升肌力,在肌力康复步态训练中有较好的应用前景。

基于LLE-FOA-SVR模型的煤矿突水预测

针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%,且建模时间和运算时间更短。

基于ELM-SVR模型的装备关键部件寿命预测

装备关键部件数量众多,其性能决定了武器系统的健康寿命。为解决单一模型预测精度不高的问题,提出了基于ELM-SVR模型的剩余寿命预测方法。ELM模型为单隐层网络,输出拟合采用样本权重相同线性回归方法,存在特征辨识度不高,预测泛化能力不强的问题,将ELM模型与SVR模型融合,在ELM神经元基础上使用核函数进一步提高特征的辨识度,以软间隔拟合函数代替线性回归对输出进行拟合,突出了样本权重,有效提升了剩余寿命预测的泛化能力。依据多个装备关键部件的综合性能指标对其进行剩余寿命预测,实验结果表明:与ELM、SVR、KELM模型相比,平均预测精度分别提高了57.14%、44.44%、11.76%,可见ELM-SVR模型具有一定的泛化能力与鲁棒性,可显著提高剩余使用寿命预测精度。

基于SVR回归拟合的摄像机标定算法

在摄像机标定过程中,为得到像素坐标中不同像素坐标值对应的唯一世界坐标值,需要求解相机坐标系和世界坐标系之间的旋转矩阵参数、平移矩阵参数及物理器件特性参数,操作步骤烦琐。因此,提出了一种支持向量回归(Support Vector Regression,SVR)拟合一体化标定算法。首先,为实现图像平面坐标系到世界坐标系的坐标转换,选择大小为26 mm×26 mm的棋盘格作为标定块。每次采集棋盘格,统计图像中的棋盘角点。多次重复采集后,整理图像坐标与世界坐标的数据。其次,训练SVR回归模型,得到SVR的核函数和惩罚因子。最后,定量分析实验结果。相较于传统的标定方法,SVR的方法省略了求解相机畸变的步骤,解决了相机的非线性问题,具有良好的精确度和鲁棒性。

多层SVR选择机制在变流器噪声预测的应用

针对轨道交通车辆中的变流器噪声降噪问题,提出一种基于多层支持向量回归(Support Vector Regression,SVR)的选择机制,用以构建噪声预测模型。首先,以训练基准函数为支撑,构建特征向量与SVR、核函数之间的映射关系。随后根据测试数据的特征,依托之前的映射关系,完成SVR、核函数的筛选。最后,使用粒子群优化算法(Particle Swarm Optimization,PSO)完成参数匹配和模型构建。研究中先通过三个测试函数,验证多层SVR选择机制的准确率,再将构建的方法应用于变流器的噪声预测。结果表明:同其他常用的SVR方法相比,所研究的方法在预测效果上取得较大的提升。

基于SVR的磁盘驱动读取控制系统建模

建模是进行控制系统分析和设计的基础,其中磁盘驱动控制系统在便携式计算机和大型计算机中得到了广泛应用。考虑到磁盘驱动读取控制系统的复杂性、非线性以及变量之间的耦合性在不断增加,很难用机理方式建立相应的数学模型,提出了基于控制系统容易获取的输入-输出数据,采用支持向量回归(SVR)建立被控对象的非机理数学模型,该模型结构可以在建模精度和模型结构复杂性之间取得平衡。最后,通过实验分析,论证了采用SVR建立磁盘驱动控制系统数学模型的有效性和优越性。

结合SVR响应面与粒子群优化的有限元模型修正

提出了一种模型修正方法,可以在不依赖模型灵敏度的前提下,利用较少的计算量实现对结构有限元模型的参数修正。该方法首先构建代理模型替代结构有限元模型,通过计算少量样本点,训练支持向量回归机(support vector regression, SVR)预测参数所对应的响应;其次,以结构固有频率的残差为目标函数,利用粒子群优化算法实现全局寻优求解,得到修正后的有限元模型参数;进一步,以带孔平板为试验研究对象,基于实测数据验证了所提方法的有效性,并讨论不同参数、样本点数等对模型修正精度的影响;最后,用某卫星结构模型修正算例证明了该方法相对基于灵敏度分析的方法在计算耗时上的优势。该研究旨在为具有复杂参数-响应特征的结构模型修正提供技术支持。

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。