基于Grid-Search_PSO优化SVM回归预测矿井涌水量

为了解决矿井涌水量预测难题,在Grid-Search_PSO优化SVM参数的基础上,采用SVM非线性回归预测法,对大海则煤矿1999~2008年7月份的矿井涌水量进行了预测。分析对比SVM回归预测法和ARIMA时间序列预测法预测结果的数据误差,发现SVM回归法预测值与实测值之间的偏差比ARIMA时间序列法要小很多。可见在影响矿井涌水量各种因素值具备的情况下,SVM非线性回归预测所建立的模型能够更准确地预测矿井的涌水量,在矿井安全生产中具有很大的应用价值。

Grid-Search和PSO优化的SVM在Shibor回归预测中的应用研究

作为一种动态和非稳定时间序列,Shibor发展变化是随机波动的,难以准确预测Shibor的波动性.支持向量机(SVM)在回归预测非线性时间序列方面有很好地预测效果,SVM的预测精度和泛化能力的核心是参数的优化选择,分别用网格搜索法(Grid-Search)和粒子群(PSO)算法来优化SVM的参数c和g.从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析.实验表明,优化后的SVM回归预测方法比ARIMA时间序列方法更精确,在实际中具有很大的应用价值.

基于GS-SVR的架空输电线路工程投资估算预测研究

传统的投资估算编制模式存在过度依赖定额的现象,随着大量工程造价数据的积累,利用其实现投资估算,以弥补传统定额计价模式的不足,能够对建设项目工程造价起到总体控制作用。文章以架空输电线路工程为例,基于支持向量回归机(Support Vector Regression,SVR)研究架空输电线路工程投资估算问题。结果表明:通过选取影响架空输电线路工程投资估算的主要指标,构建基于SVR的架空输电线路工程投资估算模型,并利用改进的网格搜索法(Grid Search,GS)优化模型参数,得到基于GS-SVR的投资估算预测模型;与传统的线性回归和SVR模型相比,GS-SVR模型表现出更为良好的性能。

基于聚类和GBDT的镀锌钢卷力学性能预测

热镀锌钢卷力学性能影响因素之间关系复杂,限制了模型精度的提升。采用k-means算法利用化学成分属性对镀锌钢卷数据集进行聚类,将数据聚成三种模式簇实现样本的优选。利用梯度提升树算法,开展各模式数据集与不划分模式的全数据集下的力学性能建模研究,最后结合网格搜索与交叉验证方法进行模型参数优化。研究结果表明,分模式下模型MAE误差相比于全数据集建模平均减小0.85 MPa。参数优化后,各模式下MAE误差平均减少5.19 MPa,RMSE误差平均减少3.63 MPa,提高了预测模型精度。

基于机器学习算法的糖尿病预测

糖尿病是一种无法根治的慢性疾病,早发现、早干预、早治疗能够延缓病情进展,提高患者的治疗效率。构建基于决策树、逻辑回归、XGBoost等六种机器学习分类算法的预测模型,实现糖尿病风险预测。该模型以皮马印第安人糖尿病数据集为研究对象,通过数据预处理、数据特征分析构建有效数据集,采用网格搜索方法进行交叉验证寻找算法的最佳参数组合,构建超参数及基于超参数的分类模型,并对模型的预测性能进行评价。实验结果表明,该模型拥有良好的糖尿病风险预测性能。

GSM-SVM在地震震级预测中的应用

针对地震震级影响因子众多且关系重复等问题,为合理预测地震震级,提出了基于网格搜索法优化支持向量机(support vector machine,SVM)的地震震级预测模型。选取地震累积频度、累积释放能量、b值、异常震群个数、地震条带个数、活动周期和相关区震级等7个影响因子,利用主成分分析法(principal component analysis,PCA)去除因子间的冗余信息,降低输入维数,并利用网格搜索法(grid search method,GSM)确定SVM参数C和g,建立震级预测模型,并对测试样本进行预测,与遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization,PSO)预测结果相对比,结果表明:PCA-GSM-SVM模型预测结果平均相对误差为1.29%,具有较高的预测精度。

基于网格搜索和投票分类模型的喷油器故障诊断研究

为了提高高压共轨试验台对喷油器检修效率,提出一种基于网格搜索和投票分类模型的喷油器故障自动诊断方法。由于压电喷油器故障数据采集困难,使用AMESim软件模拟不同轨压和脉宽状态下压电喷油器可能出现的多种故障情况。随后,将采集到的1 760组数据使用由随机森林、支持向量机和GBM组成的投票分类模型进行训练,并使用网格搜索法优化各分类器的超参数。实验结果表明:该模型对压电喷油器的5种故障状态及正常状态诊断时的准确率、精确率、召回率和F1-score分别为98.86%、99.13%、98.56%、98.83%,表现出较高的准确性和稳定性。该方法能够快速高效地对喷油器故障情况进行定位。

基于卷积神经网络模块化搜索的高效电子鼻多气体分类算法

该文设计了一种基于格拉姆角和场的传感器信号转图方法,并提出了一种基于AlexNet的卷积神经网络模块化结构搜索方法(block-GS)。实验结果表明,block-GS方法能够搜索到性能优秀的网络结构,在两个气体数据集上的分类准确率分别达到92.11%和93.33%,比普通网格搜索提高了近5%。此方法有望成为电子鼻模式识别算法设计的有效解决途径之一。

自适应权重优化的树突状细胞算法

树突状细胞算法是人工免疫系统中先天免疫层的经典算法,该算法通过融合危险和安全信号发现异常。但树突状细胞算法在信号权重的取值上常需要根据数据特征手动设置,削弱了算法的自适应性。针对这一问题,引入了网格搜索法,在给定的权重范围内根据识别效果自动调整权重取值,得到适应不同类型和规模数据集的信号权重组合。在多个公开数据集上的实验结果表明自适应权重优化的树突状细胞算法能根据数据集特征自适应训练得到较合理的权重矩阵,减少了人工经验对算法准确率的影响,改进后的算法识别准确率、真阳性率等均高于原树突状细胞算法,并优于同类算法。

基于改进人工鱼群算法的蠕虫机器人路径规划

针对人工鱼群算法在机器人路径规划中存在路径长、精度不高、易陷入局部最优等问题,提出了一种改进的人工鱼群算法,旨在提高算法效率及精度。首先,在算法觅食行为中加入寻优循环,减少算法在路径规划中选取位置点的随机性,使机器人能够更快地走向目标点;其次,融合禁忌搜索算法,通过引入禁忌表来记录算法陷入局部最优的路径,使算法在选取新位置点时能够避开局部最优区域,避免算法在局部过度循环,同时对规划出的路径进行优化处理,删去重复栅格点之间的路径,保证路径中没有重复的栅格点;最后,将改进后的人工鱼群算法应用在一种新型的三维栅格地图中。实验结果表明:相较于其他对比算法,在地图1、2、3中改进人工鱼群算法所取得的平均路径长度分别减少了10%、15%、30%,在复杂地图中路径规划的成功率提高了75%。

利用地震震级样本数据验证PCA-GSM-GRNN模型的优越性

针对地震震级与其影响指标之间的非线性问题,提出了基于网格搜索法(GSM)和主成分分析法(PCA)优化广义回归神经网络(GRNN)的地震预测模型。采用PCA对震级影响指标进行维度约简,将降维后的主成分作为模型输入向量,地震震级作为模型输出向量,同时选用GSM寻优GRNN最佳参数,利用学习样本对新模型进行训练,最终构建基于PCA-GSM-GRNN的地震震级预测模型。将PCA-GSM-GRNN模型应用于测试样本,结果显示:PCA-GSM-GRNN模型预测结果准确率相较于GRNN-GSM和GRNN模型分别提高5.03%和5.66%,具有良好的预测效果。

基于垂荡和纵摇运动模型对波浪能最大输出功率的设计

研究波浪能装置最大输出功率的设计,以运动平衡方程和能量输出系统研究为基础理论背景,建立浮子和振子的垂荡、纵摇运动模型和最优阻尼系数模型,确定给定时间下的浮子与振子的垂荡位移及速度和纵摇位移及角速度,并借助模拟退火算法和网格搜索算法分别确定两种情况下给定参数值的最大输出功率及最优阻尼系数.

基于网格搜索优化支持向量机多分类参数识别不同工艺酱酒的应用研究

为提升支持向量机(SVM)在不同工艺酱酒分类预测中的准确度,该实验利用网格搜索优化支持向量机参数,建立最优参数的支持向量机分类预测模型。通过对不同工艺酱香型白酒客观结构特征定量分析,将提取的特征信息数据经过预处理(异常值处理、归一化操作等)后存储为样本数据集。其中样本数据分为训练样本与测试样本,通过训练样本对最优参数的SVM白酒品牌分类预测模型进行训练,测试样本对模型进行预测分类。经过试验验证,该模型的不同工艺分类识别率达到94.44%,较传统的SVM等分类算法能够快速、有效地对不同工艺的酱酒进行分类识别,显著改善分类的精度,改进后的方法实现过程也比较简单。

车辆自适应巡航下的MPC方法的研究

提出了一种新颖的车辆自适应巡航控制(ACC)系统,该系统可以在保障跟车距离的同时,提升车辆的燃油经济性。基于模型预测控制(MPC)进行ACC的上层控制器搭建,并在此基础上采用高斯过程回归(GPR),网格搜索(GS)和自适应方法进行三轨参数调整,将控制域和预测域调整到最优状态。此外,为了减少计算量并提高稳定性,系统采用了粒子群优化算法(PSO)对系统进行升级改进。仿真结果表明,基于MPC控制的车辆自适应巡航控制系统可以在保证良好跟踪性能的同时降低燃油消耗率。

基于随机森林的输气管道压缩机流量软测量技术研究

压缩机是输气管道最主要的耗能设备,其流量计量结果的准确与否直接关系到管道全线的管理水平。在现场测试实验的基础上,构建了基于随机森林的数据驱动软测量模型,采用网格搜索和交叉验证对影响模型精度的超参数进行寻优,最终构建最优预测模型,并与支持向量机(SVM)模型、朴素贝叶斯(NB)模型和经网格搜索确定超参数的支持向量机(GS-SVM)模型的预测结果进行对比。结果表明,通过基尼指数确定的燃料气消耗量和大气压力对压缩机流量的相关性较小,其变量应予以删减;当决策树的个数n为300,分裂特征数m为5时的预测效果最佳;随机森林模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)均最小,说明了随机森林模型对于压缩机流量这类复杂非线性数据集的回归效果较好,具有一定的先进性和科学性。

近地面爆源参数的贝叶斯声震联合反演方法

提出了一种近地面爆源参数的贝叶斯声震联合反演方法,推导了多类型数据的贝叶斯声震联合定位理论,建立了爆源多参数的综合反演方法,探讨了声单传感器测点到时、声阵列方位角和到时及地震波到时等多类型数据的联合定位精度和特点,分析了格点搜索法和MCMC方法求解起爆时间、爆源位置等源参数的定位精度和求解效率,讨论了爆源多参数综合反演方法的性能。研究表明,贝叶斯声震联合反演方法得到的爆源参数分布范围集中、离散度小、相对声或地震等单一反演方法的源参数估计更稳定、估计偏差始终位于较小水平。贝叶斯MCMC方法在有限步长情况下可以快速搜索到真实解附近,相对格点搜索法定位精度和求解效率更高。起爆时间、爆源位置和爆炸当量等源参数综合反演具有较高的估计精度,其中爆源位置和当量真实值位于可信区间,95%可信区间可以有效估计爆源位置,90%可信区间可以有效估计爆炸当量。

随机森林法对北京移动用户体验影响因素研究

目的/意义:移动信息技术是当今社会赖以需求的。提高客户满意度等是提升网络服务质量的最佳方法,也是共同推动移动网络高质量可持续发展的关键步骤之一。方法/过程:使用斯皮尔曼和随机森林对数据进行相关性和量化分析。对影响因素进行研究分析建立数学模型,进行调参处理。得到预测结果。结果/结论:结果表明影响移动用户体验的因素对客户打分影响程度的量化分析和结果。模型精确度89%,准确度强于其余模型。

基于岭回归的地铁车载设备故障预测

针对现场实际记录中屡次发生故障的车载设备,为预测其下一次故障发生时间,提出基于岭回归算法的故障时间预测方法,整个研究过程通过随机森林算法结合人为经验的方式提取出6个有效故障特征,建立岭回归故障预测模型,并通过网格搜索结合交叉验证(Gridsearch CV)的方法优化模型超参数,在深圳某地铁线路实际数据中得到有效的验证,提出的方法可以较为准确的预测下一次故障,可以作为指导预防性维修的依据,实现故障的提前预测、提前感知、提前处理。

基于SVM-LSTM-ATTE组合模型的高校录取分数线预测

高校录取分数线预测受到许多动态因素影响,传统的SVM算法在预测高校录取分数线方面存在难以衡量输入特征序列对目标特征的影响程度,而注意力机制可以动态分配权重给重要特征,且基于注意力机制的长短期记忆网络(LSTM-ATTE),在高校录取分数线方面有显著成效。综合考虑多种因素,利用SVM可以把高维空间中的非线性问题转化为线性问题,以及LSTM-ATTE能解决时间序列数据长期依赖的问题,提出将SVM模型与LSTM-ATTE方法相结合的组合模型,来构建高校录取分数线预测模型,并通过网格搜索寻找组成LSTM-ATTE最优参数组合。实验证明,本文提出的组合模型在误差范围为3分的情况下,相比于其他模型准确率最高提升了13%。

基于GS-SVR和窗函数的EEMD端点效应抑制方法研究

为了解决集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)在分解过程中会出现端点效应的情况,文中提出了一种基于GS-SVR和窗函数的EEMD端点效应抑制方法,该方法首先采用网格搜索算法(Grid Search,GS)优化支持向量机回归(Support Vactor Regression,SVR)方法进行端点延拓,将延拓后的信号进行加窗处理,最后对加窗处理后的信号进行EEMD分解,进而得到有效的本征模态分量。最后基于振动仿真信号和实际采样信号,与传统EEMD分析方法比较以证明该方法的有效性。